Amazon Polly Generative получил новую модель: 14 голосов, хинди и финский, русского по-прежнему нет

20 октября в 18:32 по московскому времени AWS объявила, что за движком Amazon Polly Generative теперь работает новая модель синтеза речи. Компания обещает более естественную и точную речь при низкой задержке. Вместе с моделью пришли 14 новых голосов для девяти языковых вариантов и два новых для генеративного движка языка — хинди и финский. Русского среди них нет.

Что именно обновили в Amazon Polly Generative

• Модель заменили без переделок. Обновление работает «вместо старого»: менять код не нужно, разметка SSML поддерживается как раньше.
• Числа, почта, адреса. AWS отдельно отмечает, что новая модель надёжнее читает цифры, адреса электронной почты и почтовые адреса. Значит, меньше ручной подгонки текста под озвучку.
• Новые голоса. В объявлении названы американский английский (Kenneth, Nate), австралийский английский (Russell, Curtis), хинди и индийский английский (Kiara, Arjun), немецкий (Tina), испанский для США (Carlos), бразильский португальский (Leo, Carolina), корейский (Hyunduk), финский (Suvi). Это 12 имён — оставшиеся два голоса из заявленных 14 в заметке не перечислены.
• Новые языки. Хинди и финский впервые стали общедоступны в генеративном движке.
• Где работает. США (Северная Вирджиния, Орегон), Европа (Франкфурт, Цюрих, Лондон), Азия (Сидней, Сеул, Сингапур, Токио), Канада и государственное облако AWS GovCloud (US-West) — туда генеративный движок пришёл впервые.
• Задержка. Конкретных цифр AWS не приводит, только упоминает потоковый режим с низкой задержкой.
• Цена. В объявлении её нет. По тарифной странице Polly генеративные голоса стоят 30 долларов за миллион знаков, первые 12 месяцев бесплатно 100 тысяч знаков в месяц. Для сравнения: нейронные голоса — 16 долларов, стандартные — 4 доллара за миллион знаков.

А что с русским

В списке голосов в документации Amazon Polly у русского языка два голоса — Татьяна и Максим. Оба только стандартные: ни нейронной, ни генеративной версии у них нет. Новость 20 октября этого не меняет.

Что это значит для бизнеса в России

Прямо воспользоваться обновлением российской компании сложно. Русского в генеративном движке нет, а стандартные голоса звучат заметно механичнее. К тому же в марте 2022 года AWS прекратила регистрацию новых клиентов из России. И если в озвучку попадают имена и телефоны клиентов, работает закон о персональных данных (152-ФЗ): записывать и хранить такие данные граждан России нужно в базах на территории страны.

Но у обновления есть три урока, полезных всем, кто ставит голос на звонки или озвучку.

Цифры и адреса — главное испытание голоса. AWS неспроста вынесла в объявление числа, почту и адреса. В разговоре с клиентом именно на них голос чаще всего и спотыкается: сумма заказа, дата визита, номер договора, адрес с корпусом. Ошибка в цифре здесь дороже лишней паузы. Проверяя любой синтез речи, дайте ему не красивые рекламные фразы, а свои реальные реплики: «оплата 14 750 рублей до 3 ноября», «офис на Ленина, 42, корпус 2».

Модель меняется — голос должен остаться прежним для клиента. AWS сменила модель так, что старые настройки продолжают работать. Для бизнеса это правильная планка: замена «двигателя» не должна ломать сценарии и привычное звучание. Если голосовой проект после каждого обновления приходится переделывать, это риск для продаж.

Считать стоимость надо по задаче, а не по тарифу за знак. Генеративные голоса у AWS в 7,5 раза дороже стандартных. Для звонка, где клиент решает, слушать ли дальше, естественность звучания оправдывает разницу. Для массового автоинформирования — не всегда.

В России живой голос на звонках закрывают другими путями. У КАРАДЕСК это ИИ-менеджер — голосовой ИИ-сотрудник для продаж. Он звонит по новой заявке в первую минуту, принимает входящие круглосуточно, квалифицирует клиента, отправляет КП во время разговора, записывает на встречу и заносит итог в CRM с записью и расшифровкой разговора. Работает на русском языке, данные хранятся в России по 152-ФЗ. Цена — 17,90 ₽ за минуту разговора, интеграции включены, пакет от 1 500 минут в месяц; запуск за 1–5 рабочих дней. Продажи при этом не гарантируются: оплачивается работа ИИ-менеджера.

Как устроен такой сотрудник и чем он отличается от обычного автоответчика, мы разбирали в статьях голосовой ИИ-менеджер и голосовой робот или ИИ-менеджер. А о том, куда движется синтез речи у других разработчиков, — в новости про Eleven v4 Turbo.