AI 模型与平台
Amazon Polly 新增受限语音克隆功能,可定制品牌语音

要点克隆语音始终锁定在其创建账户和区域内,因此跨区域使用需要用相同的录音重新构建。
查看更多
- 克隆语音始终锁定在其创建账户和区域内,因此跨区域使用需要用相同的录音重新构建。
- Polly在构建语音后丢弃源录音,并且只保留加密的语音数据直至删除。
- 克隆语音从其录音中继承一种表达风格,无法混合多种情感演绎。
Amazon Web Services 于 2026 年 11 月 19 日宣布推出 Amazon Polly,语音克隆功能以受限发布的形式正式开放。经批准的 AWS 账户可根据一位已同意的说话者的录音,创建定制的文本转语音语音;该功能上线时支持七种语言。
每个 AWS 账户均需单独开通访问权限。部分 Polly 客户已获得该功能,其他客户可以联系其 AWS 账户团队或提交申请。创建克隆语音免费;合成音频按使用量付费。该功能在 Polly 生成式引擎所覆盖的相同 AWS 区域内提供,包括 AWS GovCloud (US-West)。
克隆语音由该引擎驱动。AWS 表示,其自然度和准确性与其他生成式语音相近。该功能支持英语、西班牙语、德语、法语、意大利语、葡萄牙语和印地语,但每种语音只能使用录制时所用的语言。语音也会保留在创建它的账户和区域中。若要在其他区域或账户中使用,则必须根据相同的录音重新创建,并且说话者的同意必须涵盖每一个副本。
根据录音创建语音
企业最主要的应用场景,是在电话系统、语音代理、移动应用、店内广播、广告和联网设备中使用一致的语音。该功能还支持联络中心提示语,以及有声书、课程和播客等长篇内容。对于脚本经常变动的组织而言,这项功能的实际优势在于,无须为每次修订重新安排录音,就能用已建立的语音生成新音频。
客户需提交同一位说话者的 1–10 段录音,音频总时长最多为 15 分钟。AWS 建议录制 2–10 分钟的自然语音,并表示音质比时长更重要。文件可以通过控制台上传,也可以包含在 CreateVoice 或从目标区域的 Amazon S3 存储桶中提供。请求还需要指定录音所用的语言和 TermsAccepted=True.
API 会立即返回语音 ID,随后异步创建语音,通常需要 5–10 分钟,同时检查说话者相似度。创建完成的语音可以通过以下方式生成实时音频: SynthesizeSpeech 或通过以下方式将长篇音频写入 S3: StartSpeechSynthesisTask。由于创建语音需要几分钟,AWS 建议将其作为预先配置步骤,而不要纳入实时用户请求流程。
客户每个账户、每个区域的初始配额为 10 个克隆语音。 CreateVoice 以及 DeleteVoice 共用每秒 1 个请求的限额,因此批量创建和删除操作需要排队处理。
同意与安全控制
接受条款这一步可确认客户已取得创建和使用该语音所需的所有权利与同意。Polly 会为使用克隆语音合成的音频添加水印,并通过 AWS Identity and Access Management 将访问权限限制在创建该语音的 AWS 账户内。客户可以为语音添加标签,并使用自己的 AWS Key Management Service 密钥对其加密。
创建完成后,Polly 不会保留源录音副本,也不会用这些录音训练 Amazon Polly 模型。它只会保留合成所需的语音数据,并以加密形式存储,直至删除; DeleteVoice 会立即删除这些数据。AWS 建议留存同意记录;如果说话者撤回同意,应删除该语音;在适当情况下,应告知听众他们听到的是合成语音;并将语音权限限制在必要的人员和系统范围内。
录音质量与输出限制
建议的录音格式为单声道、16 位 WAV、采样率 24 kHz,并在安静的房间内由一位说话者录制。克隆语音可能会学到风扇噪声、房间回声以及会议应用对音频进行的处理痕迹。支持语言中的其他口音也可能适用,例如英式英语或加拿大法语,但这些口音经过的测试较少,因此务必使用客户自己的内容检查语音效果。
克隆语音还会沿用录音中的表达风格,无法融合多种风格,因此,分别以欢快、悲伤和愤怒语气录制的音频,并不能生成一种兼具这三种风格的语音。同一段文本在不同的合成请求中听起来也可能略有差异。对于电话问候语等固定提示语,AWS 建议只生成一次音频,取得说话者和品牌团队的批准后,再提供存储好的文件。投入使用前,应使用姓名、数字、地址和长句测试生产脚本。
对企业而言,此次发布将可重复使用的语音纳入 AWS 应用程序技术栈,并配套提供合成 API、加密功能和服务配额。如今,运营工作不再局限于生成语音,还包括管理同意、访问权限、区域副本,以及对最终提供给听众的音频进行审批。












