11月20日、AWSが「Amazon Polly launches voice cloning: A unique voice for your brand」と題した記事を公開した。数分間の録音サンプルからブランド専用の合成音声を生成できる「Amazon Polly ボイスクローニング」が一般提供(GA)開始となった。ボイスの作成自体は無料で、生成された音声にはウォーターマークが自動付与される悪用対策も備える。ただし現時点ではゲートリリース(申請制)となっており、一部の既存顧客のみアクセスが有効化されている点には注意が必要だ。GAとして発表されているが、すべてのAWSユーザーが即座に利用できるわけではなく、それ以外のユーザーはAWSアカウントチームへの問い合わせまたはアクセス申請が必要となる。
ElevenLabsやOpenAI(Voice Engine)など、ボイスクローニング技術を提供するサービスが急増するなか、各国でディープフェイク音声や無断クローニングへの規制議論が高まっている。そうした背景から、今回のAmazonのリリースはウォーターマーク付与・同意管理・録音データの非保持といった安全策を前面に打ち出している点で、エンタープライズ向けの信頼性確保を強く意識した設計となっている点が注目される。
数分の録音からブランド専用ボイスを生成
Amazon Pollyのボイスクローニングは、スピーカーの録音データを数分間与えるだけで、そのスピーカーの声を再現したカスタム音声を構築できる。生成された音声はAmazon Pollyのジェネレーティブエンジン上で動作し、既存のジェネレーティブボイスと同等の自然さと精度を実現するとしている。
対応言語は英語・スペイン語・ドイツ語・フランス語・イタリア語・ポルトガル語・ヒンディー語の7言語でスタート。各クローン音声は録音時の言語のみ対応する。多言語展開が必要な場合は、言語ごとに個別のクローン音声を作成する必要がある。
クローニングの仕組み:4ステップで完結
ボイス生成は以下の4ステップで進む。
- Record(録音):1人のスピーカーを録音し、S3バケットへアップロードするか、コンソールから直接送信する
- Create(作成):
CreateVoiceAPIを呼び出す。TermsAccepted=Trueでスピーカーの同意確認を明示的に記載する必要がある - Wait(待機):生成は非同期処理で、通常5〜10分で完了。
GetVoiceをポーリングしてステータスを確認する - Use(使用):生成された
voice_id(例:vc-0123456789)をSynthesizeSpeechやStartSpeechSynthesisTaskに渡して音声合成を実行する
以下は公式のサンプルコードだ:
import time
import boto3
polly = boto3.client("polly", region_name="us-east-1")
# 1. 同意を得たスピーカーの録音からボイスを作成
takes = [
"s3://amzn-s3-demo-bucket/brand-voice/take-1.wav",
"s3://amzn-s3-demo-bucket/brand-voice/take-2.wav",
"s3://amzn-s3-demo-bucket/brand-voice/take-3.wav",
]
voice = polly.create_voice(
Name="MyBrandVoice",
LanguageCode="en-US",
TermsAccepted=True, # スピーカーの同意確認
VoiceCreationData={
"Recordings": [{"Format": "wav", "Data": {"S3Url": url}} for url in takes],
},
Tags={"consent-record": "speaker-0042"},
)["Voice"]
voice_id = voice["Id"]
# 2. ステータスが active になるまでポーリング
deadline = time.monotonic() + 20 * 60
while voice["Status"] not in ("active", "failed"):
if time.monotonic() > deadline:
raise TimeoutError(f"{voice_id} is still {voice['Status']}")
time.sleep(30)
voice = polly.get_voice(VoiceId=voice_id)["Voice"]
if voice["Status"] == "failed":
raise RuntimeError(f"{voice_id}: {voice.get('StatusReason', 'creation failed')}")
# 3. 音声合成
speech = polly.synthesize_speech(
VoiceId=voice_id,
Engine="generative",
LanguageCode="en-US",
OutputFormat="mp3",
Text="Hello! This is my very own Amazon Polly voice.",
)
with open("my-voice.mp3", "wb") as f:
f.write(speech["AudioStream"].read())
boto3 が create_voice 属性を持たないと報告する場合は pip install --upgrade boto3 でアップグレードが必要だ。
長文(オーディオブックの章、コースモジュール等)には非同期タスク StartSpeechSynthesisTask を使い、音声ファイルをS3へ出力する方式が推奨されている。
録音品質がそのまま声質に直結する
記事が強調しているのが録音時の注意点だ。「ラップトップのファン音、部屋の反響、ミーティングアプリのノイズフィルタも一緒に学習してしまう」と明記されており、録音環境の質がクローン音声の品質を直接左右する。
推奨仕様は以下のとおり:
- 録音時間:2〜10分、1テイクあたり最大1分、最大10ファイル(合計最大15分)
- フォーマット:モノラルWAV、16bit、24kHz
- ミーティングアプリ(Zoom、Meet等)やブラウザレコーダーは避ける(エコーキャンセルがクローンに影響する)
- テイクのスタイルは統一する。陽気・悲しい・怒りなどを混在させても「複数の感情表現ができるボイス」にはならない
セキュリティと同意管理
クローン音声は作成したAWSアカウントにスコープされ、IAMで利用制御が可能だ。AWS KMSによる独自暗号化キーの使用もサポートしている。
注目すべき点として、生成された音声にはウォーターマークが自動付与される。また、Amazon Pollyは音声作成後に元の録音データを保持しない(Pollyモデルの学習にも使用しない)とされている。ボイスクローニングをめぐる法規制や倫理的懸念が高まるなかで、こうした設計判断はエンタープライズ利用における信頼性の根拠となりうる。
同意管理についてはAWSから以下が推奨されている:
- スピーカーごとの同意記録を保持する
- スピーカーが同意を撤回した場合は
DeleteVoiceで即時削除する - 合成音声であることをリスナーに適切に開示する
料金とアクセス方法
ボイスの作成自体は無料で、音声合成の利用量に応じた従量課金となる。料金の詳細はAmazon Polly料金ページを参照のこと。
前述のとおり、現時点ではゲートリリース(申請制)として提供されており、一部の既存顧客のみアクセスが有効化されている。利用を希望する場合はAWSアカウントチームへの問い合わせまたはアクセス申請が必要だ。対応リージョンはAWS GovCloud(US)を含むAmazon Pollyジェネレーティブエンジン対応リージョン全域。
追加のサンプルコード(カスケード型ボイスエージェント、ライブ音声翻訳器など)はAmazon Polly GitHubリポジトリで公開されている。
詳細はAmazon Polly launches voice cloning: A unique voice for your brandを参照していただきたい。




