AWS 让 Polly 学会了克隆声音:几分钟录音就能造一个品牌嗓,但这是一次「要申请才能用」的发布
亚马逊云科技(AWS)在 11 月 19 日宣布,Amazon Polly 的语音克隆功能正式可用(general availability),但形式是「受控发布」(gated release):符合条件的账号已经默认开通,其他人得找 AWS 客户团队申请。你给 Polly 一到十段、合计不超过 15 分钟的同一人录音,它会在后台花 5 到 10 分钟建出一个只属于你的声音,然后按普通生成式语音的价格,把你写的任何文字读出来。
创建声音本身不收费,收费发生在合成的时候。Polly 的生成式语音价格是每 100 万字符 30 美元,新账号前 12 个月每月还有 10 万字符的免费额度。
3分钟看懂
- 它是什么:Polly 是 AWS 的托管语音合成服务,现在支持用真人录音克隆出一个私有音色,跑在它自己的生成式语音引擎上。
- 为什么值得看:过去要换一句文案就得重约一次录音棚,现在改稿子只是重新合成。品牌音、客服 IVR、有声书、课程这几类「文字老在变、声音不能变」的场景,成本结构直接变了。
- 代价是什么:一个克隆声音只会说录音时的那一种语言,只带录音里的那一种情绪,只存在于创建它的那个账号和那个区域。它没有变成「万能配音演员」。
这功能到底怎么用
官方给的是四步,和调一个普通 API 没太大差别:
- 录:一个人、一个安静房间、和麦克风保持同一距离。可以走控制台上传,也可以在
CreateVoice请求里直接带音频,或者放进目标区域的 S3 桶让它去读。单次上传最大 5 MB。 - 建:调
CreateVoice,带上 1 到 10 段录音、录音所用的语言,以及TermsAccepted=True——这一项是你声明「我已经拿到说话人的授权」。接口会立刻返回一个vc-开头的 voice ID,实际建声在后台异步进行。 - 等:通常 5 到 10 分钟。这段时间里 Polly 会顺便检查音色的相似度,状态从
pending变成active或failed,靠GetVoice轮询。官方建议按 20 分钟设超时。 - 用:把 voice ID 传给
SynthesizeSpeech做实时音频,或传给StartSpeechSynthesisTask把长文本合成后写进 S3,引擎参数写Engine="generative"。不用了调DeleteVoice。
代码层面有个细节值得先记住:如果你的 boto3 报 Polly object has no attribute create_voice,那不是权限问题,是 SDK 版本旧了,pip install --upgrade boto3 即可。
录音这一步最容易毁掉成品
官方博客里有一段话值得抄下来:克隆会把你不想让它学的东西一起学走——笔记本风扇、房间回声、会议软件的降噪。
所以他们的建议很具体:录 2 到 10 分钟自然说话,切成每段不超过 1 分钟的多个 take;格式用单声道 WAV、16-bit、24 kHz,一开始就按这个录,后面就不用转;别用会议软件和浏览器录音,那些回声消除和噪声抑制会改变音色,克隆会把这些改变当成本人的声音学进去。
还有一条最容易被忽略:克隆声音的「风格」来自录音,不能混合。如果你分别录了欢快、悲伤、愤怒三个版本,得到的不是一个能演三种情绪的配音员,而是三个各自只会一种情绪的声音。
「gated」到底卡在哪
首发支持七种语言:英语、西班牙语、德语、法语、意大利语、葡萄牙语、印地语。每种克隆声音只会说它被录制时的那一种语言,要做多语言得按语言分别建、分别审核。
区域上,它跟着 Polly 生成式引擎走,包括美国东部(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,以及 AWS GovCloud(美国西部)。
访问权限是按账号开通的:一部分 Polly 客户已经能用,其余的要联系 AWS 客户团队或提交申请。据 Unite.AI 的核对,新账号起步配额是每个区域 10 个克隆声音,CreateVoice 和 DeleteVoice 合计限速每秒 1 次——批量建声、批量删声都得排队。
Unite.AI 还提到一条硬约束:声音锁在创建它的账号和区域里。想换区或换账号使用,得拿同一批录音重建一遍,而且每次复制都要重新确认说话人授权。
需要说明的是,配额和限速这两项运营数字官方发布页与博客都没有列出,是基于多家媒体转述整理,最终以你账号里实际看到的配额为准。
成本怎么算
- 建声:免费。
- 合成:按生成式语音计费,每 100 万字符 30 美元,按字符、按用量,没有预付承诺。
- 免费额度:生成式语音前 12 个月每月 10 万字符。
- 换算感:一篇 6500 字符左右的新闻稿(约 9 分钟音频)大约 0.20 美元;一本 16.5 万字符的《圣诞颂歌》(约 3 小时 50 分)大约 4.95 美元;一本 60 万字符的《哈克贝利·费恩历险记》(约 13 小时 50 分)大约 18 美元。
适用场景
- 品牌统一音:IVR、App、门店广播、广告、联网设备用同一个声音,改文案不用重约录音。
- 客服与语音 Agent:自助流程的提示语随活动和政策变化频繁更新,用同一音色重生成,不用回录音棚。
- 长内容生产:有声书、课程、播客、游戏角色,后续章节可以用同一声音续做。
- 无障碍与个性化:给阅读工具、辅助工具提供更自然的声音。
不适用场景
- 想要一个「多语言、多情绪」的通用配音员:一个克隆声音只对应一种语言、一种风格,做不到。
- 需要跨区域/跨账号即取即用:声音不出创建它的账号和区域,多副本就得重建。
- 音频质量本身很差的项目:录音里的底噪会被学进去,克隆不会帮你修音。
- 把它当真人授权替代品:官方要求每次创建都确认说话人同意,并建议保留同意记录、说话人撤回同意时删除声音。
避坑
- 别用会议软件录音。降噪和回声消除会改造音色,克隆把它当成本人声音。
- 别指望「录得越多越好」。官方明说质量比长度重要,上限 10 段、合计 15 分钟,超了也没用。
- 别把建声放进实时请求链路。建声要 5 到 10 分钟,应该提前批量做,当成一次配置动作。
- 别忘了水印和权限。克隆声音合成的音频带水印,声音本身绑定账号、可用 IAM 控制、可用自己的 KMS 密钥加密,
DeleteVoice会立刻删掉声音数据。 - 别忽略授权链。跨区复制、多人使用都要重新确认同意范围,这是这类功能最容易被合规拦下的地方。
行动建议
- 第一步,确认你所在区域在支持清单里,然后看账号是否已经开通;没开通就走客户团队或申请表。
- 第二步,按官方规格录一组 2 到 10 分钟的测试音频:单声道 WAV、16-bit、24 kHz、安静房间、同一距离。
- 第三步,先用一段 6500 字符左右的真实文案跑通
CreateVoice → GetVoice → SynthesizeSpeech,量一下你的实际单价和听感。 - 第四步,把「建声」写进上线前的准备清单,把
DeleteVoice和同意记录的保存写进流程,再考虑铺到生产。
参考来源
- AWS What's New:Amazon Polly now supports voice cloning — https://aws.amazon.com/about-aws/whats-new/2026/11/amazon-polly-now-supports-voice-cloning/
- AWS Machine Learning Blog:Amazon Polly launches voice cloning: A unique voice for your brand — https://aws.amazon.com/blogs/machine-learning/amazon-polly-launches-voice-cloning-a-unique-voice-for-your-brand/
- Unite.AI:Amazon Polly Adds Gated Voice Cloning for Custom Brand Voices — https://www.unite.ai/amazon-polly-adds-gated-voice-cloning-for-custom-brand-voices/
- Amazon Polly 定价页 — https://aws.amazon.com/polly/pricing/