Amazon Polly: Generative engine bietet ausdrucksstärkere Sprachausgabe mit neuer Stimmen
Die Generative engine von Amazon Polly liefert nun ausdrucksstärkere und präzisere Sprache bei geringer Latenz. Hinzu kommen 14 neue Stimmen in 9 Sprachregionen sowie die allgemeine Verfügbarkeit von Hindi und Finnisch; ein Code-Umbau ist nicht nötig.
Die Amazon Polly Generative engine bietet jetzt natürlichere und präzisere Sprachausgabe. Wir stellen ein Upgrade der Amazon Polly Generative engine vor, das ausdrucksstärkere und genauere Sprachausgabe mit geringer Latenz liefert. Das Upgrade fügt 14 neue Voices in 9 Locales hinzu, darunter erstmals die allgemeine Verfügbarkeit von Generative voices auf Hindi und Finnisch. Das Upgrade ist jetzt allgemein in der Produktion verfügbar.
Wichtig ist, dass es sich dabei um ein Drop-in-Upgrade für bestehende generative Voices handelt. Die Namen der Voices und die API-Aufrufe bleiben unverändert, sodass Ihre bestehenden Anwendungen weiterhin wie bisher funktionieren.
Amazon Polly ist ein voll verwalteter AWS-Service, der Text in natürlich klingende Sprache umwandelt, für Contact Center, auf Large Language Models (LLMs) basierende agentische Anwendungen, Medien und Unterhaltung, E-Learning, Barrierefreiheit und andere Anwendungen, die zuverlässige Sprachausgabe im großen Maßstab erfordern.
Sie können sich mithilfe von Audio-Beispielen direkt einen Eindruck von den Verbesserungen verschaffen.
Die aktualisierte Amazon Polly Generative engine nutzt einen Standard-API-Aufruf von Amazon Polly, um Ihre Sprachanwendungen zu erstellen. Mit Amazon Polly können Sie weiterhin mit vertrauten AWS-Mustern arbeiten: Sie rufen dieselbe Amazon Polly API auf, verwalten den Zugriff mit AWS Identity and Access Management (IAM), verwenden die Ausgabe in Ihren bestehenden Anwendungen und Contact-Center-Workflows und überwachen die Workloads, die Sprache für Ihre Kunden synthetisieren.
Dieser Launch zielt darauf ab, die Sprachausgabequalität Ihrer bestehenden Amazon Polly Implementierung spürbar zu verbessern. Für die aktualisierten Voices sind keine Änderungen an Ihrem Code erforderlich. Für Anwendungen, die bereits Amazon Polly Generative voices verwenden, erfolgt das Upgrade direkt an Ort und Stelle. Für neue Anwendungen bietet dieselbe SynthesizeSpeech API Zugriff auf einen größeren Katalog generativer Voices. Mit der Bi-Di-Streaming-API StartSpeechSynthesisStream können Sie Text an Amazon Polly streamen und gleichzeitig synthetisiertes Audio zurückerhalten. Das eignet sich hervorragend für Echtzeitanwendungen wie Voice Agents und individuelle Spielfiguren in Games.
Die Amazon Polly Generative engine bietet wettbewerbsfähige Preise nach dem Pay-as-you-go-Modell. Mit diesem Modell-Upgrade erhalten Sie verbesserte Sprachqualität und Genauigkeit zum gleichen Preis. Es gibt keine Kostensteigerung, keine neue SKU und keine Änderungen an Ihrer bestehenden Integration. Synthetisierte statische Prompts können Sie ohne zusätzliche Kosten cachen und wiedergeben. Vollständige Kosteninformationen finden Sie auf der Amazon Polly Preisseite.
Die Amazon Polly Generative engine liefert jetzt natürlichere und ausdrucksstärkere Sprache sowie Low-Latency-Streaming für Echtzeitanwendungen, Unterstützung für Speech Synthesis Markup Language (SSML) für feingranulare Steuerung und die operative Zuverlässigkeit eines voll verwalteten AWS-Services. Diese Kombination aus Qualität, Performance und Kosteneffizienz unterstützt ein breites Spektrum an Produktionsanwendungen.
Contact Center: In Kundenservice-Gesprächen ist Genauigkeit das Wichtigste. Wenn ein Anrufer eine Bestellung prüft, hilft eine Stimme, die Sendungsnummern, Adressen und Bestätigungscodes korrekt vorliest, dabei, das Anliegen im Selfservice zu lösen, statt an einen menschlichen Mitarbeiter weiterzuleiten. Die präzise Aussprache von Entitäten und die Generierung mit geringer Latenz der Amazon Polly Generative voices machen automatisierte Interaktionen über Interactive Voice Response (IVR) konversationsähnlicher.
Kaskadierte Voice Agents: Mit Amazon Polly in einem Voice-Agent-Framework können Sie den Antworttext eines LLM in klare, natürlich klingende Sprache umwandeln und sie nahezu in Echtzeit über WebSockets oder Telefoniekanäle an die Nutzer zurückstreamen. So wird eine live geführte Sprachkonversation möglich. Die wichtigsten Vorteile sind die Wiedergabe mit geringer Latenz, hohe Skalierbarkeit und Kosteneffizienz.
Medien, Lokalisierung und Dubbing: Wandeln Sie Skripte in fertiges Audio für Videos, Werbung, Podcasts, Produktvorstellungen und Hörbücher um. Sie können eine oder mehrere Voices verwenden, ganz ohne Studiotermin. Natürlichere Intonation reduziert den Aufwand in der Postproduktion. Die erweiterte Locale-Abdeckung, einschließlich erstmals generativer Voices auf Hindi und Finnisch, bedeutet, dass Sie ein einzelnes Content-Stück über dieselbe Pipeline in mehr Märkte lokalisieren können.
E-Learning und Schulungen: Erstellen Sie Sprachausgaben für Kursmaterialien, Onboarding und Wissensartikel im großen Maßstab und aktualisieren Sie sie, sobald sich der Quelltext ändert. Eine Neuaufnahme ist nicht erforderlich. Die ausdrucksstärkere Darbietung fördert die Aufmerksamkeit bei langen Inhalten.
Barrierefreiheit: Bieten Sie eine klare, natürlich gesprochene Version von Artikeln, Dokumenten und Anwendungen, damit mehr Menschen Ihre Inhalte durch Zuhören konsumieren können, etwa beim Vorlesen, unterwegs oder mit einem Screenreader.
Interaktive und transaktionale Erlebnisse: Rüsten Sie Games, Kiosksysteme, IVR-Menüs und IoT-Geräte mit auf Abruf generierten Antworten mit Sprache aus. Verwenden Sie Amazon Polly, wenn die Stimme natürlich klingen und Namen, Zahlen, Produktdetails, Adressen und Bestätigungen zuverlässig vorlesen soll.
„Bei Sanoma Media Finland nutzen wir Amazon Polly, um unsere Nachrichtenartikel in Echtzeit in Audio umzuwandeln, sodass die Hörerinnen und Hörer selbst entscheiden können, wann sie zuhören möchten. Heute veröffentlichen wir über 10.000 Artikel pro Monat mit der finnischen Neural voice von Polly. Basierend auf unseren Tests ist Suvis neue generative Stimme eine deutliche Verbesserung gegenüber der bisherigen Neural voice. Sie klingt spürbar natürlicher und sorgt für ein angenehmeres Hörerlebnis.“
Justus Reinikainen, Product Manager, Sanoma Media Finland
Sie können auf die neuen Voices über die AWS Management Console, die AWS Command Line Interface (AWS CLI) oder die AWS SDKs zugreifen.
Hier ist ein kurzes Beispiel mit dem AWS SDK für Python (Boto3) mit der SynthesizeSpeech API und einer generativen Stimme:
import boto3 polly = boto3.client("polly", region_name="us-east-1") response = polly.synthesize_speech( Text="Hello! This is Amazon Polly's next-generation generative voice.", VoiceId="Kenneth", # any generative voice in the catalogue Engine="generative", OutputFormat="mp3", ) with open("speech.mp3", "wb") as f: f.write(response["AudioStream"].read()) Dieselbe Anfrage können Sie auch mit der AWS CLI stellen:
aws polly synthesize-speech \ --region us-east-1 \ --voice-id Kenneth \ --engine generative \ --output-format mp3 \ --text "Hello! This is Amazon Polly's next-generation generative voice." \ speech.mp3 Um die vollständige, aktuelle Liste der Voices programmatisch abzurufen, rufen Sie DescribeVoices auf. Sie können dies in Bereitstellungsprüfungen verwenden, um zu bestätigen, dass eine ausgewählte generative Stimme in der Region verfügbar ist, in der Ihre Anwendung läuft.
Die Generative engine der nächsten Generation und die neuen Voices sind jetzt allgemein verfügbar. Die 14 neuen Generative voices sind in den folgenden AWS-Regionen verfügbar: US East (N. Virginia), US West (Oregon), Europe (Frankfurt), Europe (Zurich), Europe (London), Asia Pacific (Sydney), Asia Pacific (Seoul), Asia Pacific (Singapore), Asia Pacific (Tokyo), Canada (Central) und AWS GovCloud (US-West). Der Einstieg, je nach Zielgruppe:
Die Generative engine der nächsten Generation von Amazon Polly ist ab heute verfügbar. Sie liefert natürlichere und genauere Stimmen, ergänzt das Angebot um 14 neue Voices, darunter erstmals allgemein verfügbare generative Stimmen auf Hindi und Finnisch, und erfordert keine Änderung an Ihrem Code. Informationen zu den Preisen finden Sie auf der Amazon Polly Preisseite. Öffnen Sie zum Einstieg die Amazon Polly Konsole, um die Stimmen auszuprobieren, und konsultieren Sie die Amazon Polly Dokumentation, um mit ihnen zu entwickeln.
Suyin ist Senior Generative AI Solutions Architect bei AWS. Sie verfügt über langjährige Erfahrung im Aufbau datengetriebener und Machine-Learning-Anwendungen, die reale Probleme lösen. Es macht ihr Freude, Kunden bei der Identifikation der richtigen Problemstellungen zu unterstützen und generative KI-Lösungen zu entwickeln, die geschäftlichen Mehrwert schaffen. In ihrer Freizeit singt sie gerne oder probiert neue Rezepte in der Küche aus.
Gosia ist Program Manager bei Amazon IMAX Polly. Mit fast 20 Jahren Erfahrung in Journalismus, Marketing und AV-Produktion sowie über 10 Jahren in Programm- und Produktmanagement (die letzten 7 davon bei Amazon TTS) setzt Gosia täglich Maßstäbe darin, Engineering-Ziele in Kundenvorteile zu übersetzen. Außerhalb der Arbeit trifft man sie beim Gassigehen mit ihrem Hund oder beim hundertsten Ansehen von Star Trek TNG. Oder sie surft und unternimmt Sightseeing-Touren mit Freunden irgendwo in Sri Lanka. Bei ihr weiß man einfach nie.
Nikie ist Senior Technical Product Manager bei Amazon Polly. Sie verfügt über mehr als 10 Jahre Erfahrung in den Bereichen KI, Sprachtechnologie und der Entwicklung innovativer Produkte von der Idee bis zum Launch in Consumer- und Enterprise-Märkten. Mit einem Hintergrund in Produktdesign und Medienunterhaltungsproduktion blüht sie bei der Entwicklung von Produkten auf, die Kunden begeistern. Außerhalb der Arbeit erschafft sie interaktive Kunst und hört gerne Techno.
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
Amazon Polly Generative engine now offers more natural and accurate speech output. We’re introducing an upgrade to the Amazon Polly Generative engine that delivers more expressive, more accurate speech output with low latency. The upgrade adds 14 new voices across 9 locales, including general availability of Generative voices in Hindi and Finnish for the first time. The upgrade is now generally available in production.
Importantly, this is a drop-in upgrade for existing generative voices. Voice names and API calls are unchanged, so your existing applications continue to work as they do today.
Amazon Polly is a fully managed AWS service that converts text into natural-sounding speech for contact centers, large language model (LLM)-based agentic applications, media and entertainment, e-learning, accessibility, and other applications that require reliable voice output at scale.
You can use sample audio to evaluate the improvements directly.
The upgraded Amazon Polly Generative engine uses a standard Amazon Polly API call to build your speech applications. With Amazon Polly, you can continue to build with familiar AWS patterns: call the same Amazon Polly API, manage access with AWS Identity and Access Management (IAM), use the output in your existing applications and contact-center flows, and monitor the workloads that synthesize speech for your customers.
This launch is designed to elevate the speech output quality that you can hear with your existing Amazon Polly implementation. No changes to your code are required to get the upgraded voices. For applications that already use Amazon Polly Generative voices, the upgrade happens in place. For new applications, the same SynthesizeSpeech API gives you access to a larger set of generative voice catalogs. With the Bi-Di Streaming API StartSpeechSynthesisStream, you can stream text to Amazon Polly and receive synthesized audio back simultaneously. This is well-suited for real-time applications like voice agents and bespoke characters in games.
The Amazon Polly Generative engine offers competitive pricing on a pay-as-you-go basis. With this model upgrade, you get improved voice quality and accuracy at the same price. There’s no cost increase, no new SKU, and no changes to your existing integration. You can cache and replay synthesized static prompts with no additional cost. Refer to Amazon Polly pricing for complete cost information.
The Amazon Polly Generative engine now delivers more natural, expressive speech alongside low-latency streaming for real-time applications, Speech Synthesis Markup Language (SSML) support for fine-grained control, and the operational reliability of a fully managed AWS service. This combination of quality, performance, and cost efficiency supports a wide range of production use cases.
Contact centers. Accuracy matters most in customer service conversations. When a caller checks an order, a voice that reads back the tracking number, address, and confirmation code correctly helps resolve the call in self-service rather than escalating to a human agent. Amazon Polly Generative voice’s accurate entity pronunciation and low-latency generation make automated interactive voice response (IVR) interactions sound more conversational.
Cascaded voice agents. Using Amazon Polly in a voice agent framework, you can convert LLM response text into clear, natural-sounding speech and stream it back to users in near real time over WebSockets or telephony channels. This makes live conversational voice possible. The primary benefits are low-latency playback, high scalability, and cost efficiency.
Media, localization, and dubbing. Convert scripts into finished audio for video, advertising, podcasts, product overviews, and audiobooks. You can use one voice or many, without a studio session. More natural intonation reduces post-production. The expanded locale coverage, including first-time generative Hindi and Finnish, means you can localize a single piece of content into more markets from the same pipeline.
E-learning and training. Narrate courseware, onboarding, and knowledge-based articles at scale, and update them as soon as the source text changes. No re-recording is required. More expressive delivery supports engagement through long-form material.
Accessibility. Provide a clear, natural spoken version of articles, documents, and applications so more people can consume your content by listening: read aloud, on the go, or with a screen reader.
Interactive and transactional experiences. Voice-enable games, kiosks, IVR menus, and IoT devices with responses generated on demand. Use Amazon Polly when the voice needs to sound natural and read names, numbers, product details, addresses, and confirmations reliably.
“At Sanoma Media Finland, we use Amazon Polly to turn our real-time news articles into audio, giving the listener the choice to listen whenever it suits them better. Today we publish over 10,000 articles per month using Polly’s Finnish neural voice. Based on our testing, Suvi’s new generative voice is a clear improvement over the previous neural voice – it sounds noticeably more natural and makes for a more enjoyable experience for the listener.”
— Justus Reinikainen, Product Manager, Sanoma Media Finland
You can access the new voices using the AWS Management Console, AWS Command Line Interface (AWS CLI), or the AWS SDKs.
Here’s a quick example using the AWS SDK for Python (Boto3) with the SynthesizeSpeech API and a generative voice:
import boto3 polly = boto3.client("polly", region_name="us-east-1") response = polly.synthesize_speech( Text="Hello! This is Amazon Polly's next-generation generative voice.", VoiceId="Kenneth", # any generative voice in the catalogue Engine="generative", OutputFormat="mp3", ) with open("speech.mp3", "wb") as f: f.write(response["AudioStream"].read()) You can also make the same request with the AWS CLI:
aws polly synthesize-speech \ --region us-east-1 \ --voice-id Kenneth \ --engine generative \ --output-format mp3 \ --text "Hello! This is Amazon Polly's next-generation generative voice." \ speech.mp3 To retrieve the full, current voice list programmatically, call DescribeVoices. You can use this in deployment checks to confirm that a selected generative voice is available in the Region where your application runs.
The next-generation Generative engine and the new voices are now generally available. The 14 new Generative voices are available in the following AWS Regions: US East (N. Virginia), US West (Oregon), Europe (Frankfurt), Europe (Zurich), Europe (London), Asia Pacific (Sydney), Asia Pacific (Seoul), Asia Pacific (Singapore), Asia Pacific (Tokyo), Canada (Central), and AWS GovCloud (US-West). Getting started, by audience:
The next-generation Generative engine of Amazon Polly is available today, delivering more natural and more accurate voices, adding 14 new voices, including generative voices generally available in Hindi and Finnish for the first time, and requires no change to your code. See Amazon Polly pricing page for pricing information. To get started, open the Amazon Polly console to try the voices, and see the Amazon Polly documentation to build with them.
Suyin is a Senior Generative AI Solutions Architect at AWS. She has years of experience building data-driven and machine learning applications that solve real-world problems. She enjoys helping customers identify the right problems to solve and build generative AI solutions that drive business value. In her spare time, she loves singing, or trying out new recipes in the kitchen.
Gosia is a Program Manager at Amazon IMAX Polly. With almost 20 years of experience in journalism, marketing and AV production & over 10 in program & product management (last 7 being in Amazon TTS), Gosia strives for excellency translating engineering goals into customer delights on a daily basis. Outside of work you can find her dog walking or watching Star Trek TNG for 100 th time… or catching waves &sightseeing with friends somewhere in Sri Lanka – you just never know with this one.
Nikie is a Senior Technical Product Manager at Amazon Polly. She has 10+ years of experience in AI, voice technology, and bringing innovative products from ideas to launch across consumer and enterprise sectors. With a background in product design and media entertainment production, she thrives at building products that delight customers. Outside of work, she creates interactive art and enjoys techno.