Amazon Polly: Generative-Engine erhält 14 neue Stimmen, erstmals auch Hindi und Finnisch

Direkter Austausch für bestehende Stimmen

Laut AWS ist das Upgrade im Produktivbetrieb allgemein verfügbar und lässt sich als direkter Ersatz für bestehende generative Stimmen nutzen. Stimmnamen und API-Aufrufe bleiben gleich, sodass bestehende Anwendungen ohne Codeänderungen weiterlaufen. Bei Apps, die bereits Amazon Polly Generative-Stimmen nutzen, erfolgt das Upgrade direkt an Ort und Stelle.

Amazon Polly ist ein vollständig verwalteter AWS-Dienst, der Text in Sprache umwandelt, unter anderem für Contact Center, Anwendungen auf Basis von Agenten mit Large Language Models (LLM), Medien und Unterhaltung, E-Learning und Barrierefreiheit.

Nach Angaben von AWS spiegeln die Stimmen Emotion und Prosodie nun besser anhand des eingegebenen Textes wider, ohne manuelle Konfiguration. Die Audiobeispiele zeigen denselben Satz, "Your package arrived early", in neutralem, unsicherem und überraschtem Stil. Zudem hebt das Unternehmen die genauere Aussprache von Zahlen, Währungsangaben und Adressen hervor, demonstriert an einer Bestellbestätigung mit Sendungsnummer, Datum, Uhrzeit, Preis und Straßenadresse.

Größerer Katalog und neue Sprachen

Die Generative-Engine umfasst nun insgesamt 57 generative Stimmen in 11 Sprachen und 25 Locales. Die 14 neuen Stimmen sind:

• US-Englisch: Kenneth, Nate
• Australisches Englisch: Russell, Curtis
• Indisches Englisch: Kiara, Arjun
• Deutsch: Tina
• US-Spanisch: Carlos
• Brasilianisches Portugiesisch: Leo, Carolina
• Koreanisch: Hyunduk
• Hindi: Kiara, Arjun
• Finnisch: Suvi

Hindi und Finnisch sind die neu hinzugekommenen Sprachen der Generative-Engine. Außerdem wurde die Engine auf AWS GovCloud (US-West) ausgeweitet, womit sie nun in 11 AWS-Regionen verfügbar ist.

Preise, APIs und Einsatzszenarien

AWS betont, dass die verbesserte Qualität zum gleichen Preis kommt: "no cost increase, no new SKU, and no changes to your existing integration." Die Abrechnung bleibt nutzungsbasiert, und statische Prompts, die synthetisiert wurden, lassen sich ohne zusätzliche Kosten zwischenspeichern und erneut abspielen.

Neue Anwendungen können über dieselbe SynthesizeSpeech-API auf den größeren Stimmkatalog zugreifen. Die Bi-Di Streaming API StartSpeechSynthesisStream erlaubt es Entwicklern, Text einzuspeisen und gleichzeitig Audio zurückzuerhalten. AWS hält sie für besonders geeignet für Echtzeit-Anwendungen wie Sprachagenten und Spielfiguren. Für feinere Steuerung wird Speech Synthesis Markup Language (SSML) unterstützt. Der Zugriff erfolgt über die AWS Management Console, die AWS CLI und die AWS SDKs.

AWS nennt mehrere Zielszenarien. In Contact Centern kann die korrekte Wiedergabe von Sendungsnummern und Bestätigungscodes dazu beitragen, dass Anrufe im Self-Service gelöst werden. In kaskadierten Sprachagenten lässt sich LLM-Text in Sprache umwandeln und über WebSockets oder Telefoniekanäle streamen. Weitere Anwendungsfälle sind Medienlokalisierung und Synchronisation, E-Learning-Vertonung, Barrierefreiheit sowie sprachgesteuerte Kioske, Spiele und IoT-Geräte.

Kundenstimme und Einordnung

Sanoma Media Finland, das Polly nutzt, um Nachrichtenartikel in Audio umzuwandeln, gab ein Testimonial ab. Produktmanager Justus Reinikainen sagte, das Unternehmen veröffentliche mit Pollys finnischer Neural-Stimme mehr als 10.000 Artikel pro Monat. Nach Tests sei Suvis neue generative Stimme "a clear improvement over the previous neural voice".

Für bestehende Polly-Nutzer bedeutet das praktisch: bessere Stimmqualität ohne Migrationsaufwand und ohne Preisänderung. Für Teams, die mehrsprachige oder Echtzeit-Sprachprodukte entwickeln, erweitern die neuen Hindi- und Finnisch-Stimmen sowie die breitere Locale-Abdeckung laut AWS, was sich mit einer einzigen Pipeline abdecken lässt.