Amazon Polly 语音克隆正式推出:支持 7 种语言、免费创建语音,需申请开通
AWS 宣布 Amazon Polly 语音克隆以受控方式正式提供,支持 7 种语言,创建语音免费、使用按量计费。目前按账号开通,需向 AWS 客户团队或通过申请页面获取权限。
新闻日期: 阅读时间约 5 分钟
AWS 宣布 Amazon Polly(AWS 的文字转语音服务)的语音克隆功能已正式提供,但属于受控(gated)发布:目前已对部分 Polly 客户开通,其他客户须向 AWS 客户团队咨询或提交申请。AWS 表示,企业和开发者因此可以用同一个品牌声音制作客服语音、有声书和应用旁白,不必每次修改脚本都重新录音。
Amazon Polly 语音克隆是什么?与普通语音有何不同?
据 AWS 介绍,客户提供一位已同意被克隆声音的说话者的几分钟录音,Polly 即创建专属的克隆语音。该语音运行在 Polly 生成式引擎上,也就是 Polly 用 AI 生成更自然语音的那套技术。AWS 表示其自然度和准确度与其他生成式语音相近。克隆语音会自动加密并设有访问控制,AWS 称只有创建者的账号可以使用。
AWS 列出的应用包括:在 IVR(电话自动语音应答系统)、语音代理、移动应用和联网设备之间保持一致的品牌声音;客服中心提示语;有声书、课程、播客和游戏角色;以及无障碍阅读和个性化互动。
推出到什么阶段?支持哪些语言、区域和限制?
AWS 称此功能为正式提供的受控发布。支持的区域与 Polly 生成式引擎相同,包括 AWS GovCloud (US)。AWS 列出的区域为美国东部(弗吉尼亚北部)、美国西部(俄勒冈)、法兰克福、苏黎世、伦敦、悉尼、首尔、新加坡、东京、加拿大(中部)和 GovCloud(US-West)。
| 项目 | AWS 所述内容 |
|---|---|
| 发布阶段 | 正式提供,受控发布,按账号开通 |
| 语言 | 英语、西班牙语、德语、法语、意大利语、葡萄牙语、印地语 |
| 录音 | 每个语音 1–10 段、总计最长 15 分钟;建议 2–10 分钟 |
| 创建时间 | 通常 5–10 分钟,异步(在后台完成) |
| 配额 | 每账号每区域初始 10 个克隆语音;CreateVoice 与 DeleteVoice 共用每秒 1 次请求 |
| 费用 | 创建语音免费;使用按量计费,详见 Polly 定价页 |
| 控制 | 绑定创建账号;通过 IAM 权限管控;可使用自有 KMS 密钥加密 |
如何开始?
AWS 说明,如果账号已开通,Polly 控制台左侧面板会出现“Voice cloning”。AWS 列出的控制台步骤如下:
- 在控制台展开左侧面板并选择 Voice cloning。
- 上传最多 10 段录音,或从 Amazon S3 选取;每个控制台上传文件最大 5 MB。
- 确认条款并选择 Create。
- 语音完成后,在详情页面试听。
若要通过程序使用,AWS 指出需要最新版 boto3(AWS 的 Python 开发工具包),以及相关的 IAM 权限。IAM 是 AWS 的账号权限管理服务。流程是先调用 CreateVoice 创建语音,并设置 TermsAccepted=True,接着用 GetVoice 查询状态,最后以 Engine="generative" 调用 SynthesizeSpeech 或 StartSpeechSynthesisTask 生成语音。完整代码示例请见 AWS 原文。
对实际工作流程有什么影响?
AWS 建议把语音创建当作提前准备的步骤,而不是用户请求的一部分,因为创建需要几分钟。对于固定提示(如电话问候语),AWS 建议先生成音频,与说话者及品牌团队确认后,再提供保存好的文件,因为同一段文字在不同请求之间可能略有差异。AWS 还提醒,语音风格取自录音,无法混合多种情绪,并建议用自己的产品名称、数字和地址进行实测。音素标签可用来标注正确发音,在英、法、意、德、西语的克隆语音中可用。
在数据处理方面,AWS 表示语音创建后 Polly 不保留录音副本,也不用于训练 Polly 模型。Polly 只保留合成所需且经加密的语音数据,可使用客户自有的 KMS(AWS 密钥管理服务)密钥加密,调用 DeleteVoice 会立即移除。
常见问题
所有 AWS 客户现在都能用吗?
不是。AWS 表示访问权限按账号开通,部分 Polly 客户已启用,其他客户需联系 AWS 客户团队或申请访问。
一个克隆语音能说多种语言吗?
据 AWS 介绍,每个克隆语音只说录音时使用的语言。若要多语言体验,需为每种支持的语言分别创建并审核语音。
创建语音要多少钱?
AWS 表示创建克隆语音免费,使用则按量计费;具体费率请查看 Amazon Polly 定价页。
可以创建多少个克隆语音?
AWS 称每个账号每个区域初始配额为 10 个;如需提高,可联系客户团队或 AWS Support。
生成的音频能识别出是合成的吗?
AWS 表示 Polly 会在克隆语音生成的文字转语音音频中加入水印。
觉得这篇整理实用吗?分享给需要的朋友
同主题延伸阅读
Signal 在 Android 与 iOS 27 默认封锁截图,阻止 Siri、Gemini 等 AI 代理读取屏幕
据 The Verge 报道,Signal 在 Android 与 iOS 27 上限制截图,以防操作系统层级的 AI 代理读取消息内容;用户可在设置中恢复截图,但 Signal 警告会削弱隐私保障。
Claude Code 2.1.329:Code Mode 可配合遥测、/tasks 整合定时任务、macOS computer use 安全规则收紧
Kimi Code CLI v2.7.0 新增原生 Bedrock provider:改用 AWS 凭证链连接 Kimi K3.1 Pro Highspeed
AWS 汇总 SageMaker 推理 13 项新功能:HyperPod 托管 NVIDIA Dynamo、MIG GPU 分割、跨区路由
资料来源
本文依据上方所列参考来源与标示之核实日期整理;票价、时刻、功能规格或服务条款可能变动,出发、预订或购买前请至相关官方网站确认最新信息。