El motor Generative de Amazon Polly ha recibido una mejora que AWS anunció en su blog de Machine Learning. Ya está disponible de forma general en producción.
Qué ha cambiado
Según AWS, el motor produce una voz más expresiva y más precisa con baja latencia. Las voces están pensadas para ajustar la emoción y la prosodia al propio texto, sin configuración manual. Los ejemplos muestran una misma frase, «su paquete llegó antes de tiempo», dicha en tono neutro, dubitativo y sorprendido.
La precisión con entidades es un objetivo declarado. El audio de muestra incluye una voz que lee una confirmación de pedido con número de seguimiento, fecha y hora, importe en moneda, dirección y un código de confirmación alfanumérico.
Voces, idiomas y regiones
Las catorce voces nuevas abarcan nueve configuraciones regionales: inglés de EE. UU., Australia e India, alemán, español de EE. UU., portugués de Brasil, coreano, hindi y finés. El hindi (Arjun y Kiara) y el finés (Suvi) están disponibles de forma general en el motor Generative por primera vez. El catálogo suma ahora 57 voces generativas en 11 idiomas y 25 configuraciones regionales. AWS GovCloud (US-West) se incorpora a las regiones compatibles, que llegan así a 11.
Lo que no cambia
Es una actualización directa. Los nombres de voz y las llamadas a la API siguen igual, y las aplicaciones que ya usan voces generativas se actualizan en el mismo sitio. AWS indica que el precio no cambia, que no hay un SKU nuevo y que los prompts estáticos pueden guardarse en caché y reproducirse sin coste adicional. La API de streaming bidireccional, StartSpeechSynthesisStream, permite que una aplicación envíe texto y reciba audio al mismo tiempo; AWS la presenta como pensada para agentes de voz en tiempo real.
AWS añade que las mejoras llegan automáticamente a los flujos de Amazon Connect y Genesys.
Límites que conviene conocer
Las voces estándar y neuronales no se ven afectadas por la actualización. Las speech marks no están disponibles en las voces generativas, así que las aplicaciones que las necesiten deben seguir con voces estándar o neuronales. Las etiquetas SSML siguen siendo compatibles. AWS recomienda llamar a DescribeVoices en el momento del despliegue para confirmar que la voz elegida está disponible en la región donde se ejecuta la aplicación.
Un dato de cliente
Sanoma Media Finland, que publica en audio más de 10.000 artículos al mes con la voz neuronal finesa de Polly, explicó a AWS que la nueva voz generativa de Suvi supone una mejora clara y suena notablemente más natural. Es un testimonio publicado por el proveedor, basado en las pruebas del propio cliente.