Amazon Polly、声のクローン機能を一般提供(申請制) 日本語は対応言語に含まれず

AWSのロゴと、「Amazon Pollyが声のクローンを一般提供。申請制で、日本語は対応言語に含まれない」という見出しのアイキャッチ
平山 大樹(AB通信 運営責任者)

平山 大樹 AB通信 運営責任者

AB通信 編集部が、企業・行政の公式発表や決算資料などの一次情報を確認して書いています。運営会社・編集方針

目次

この記事のポイント

  • AWSは2026年11月19日、Amazon Pollyの「声のクローン」(voice cloning)を一般提供すると発表しました。ただし申請が必要なゲート付きの公開です
  • 同意した話者の録音を数分渡すと、その人に近い声を作れます。声はGenerativeエンジンで動き、作成そのものは無料、合成した音声の分だけ従量課金です
  • 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つです。日本語は、この7つのなかに含まれていません。クローンした声は、録音した言語だけで話します
  • 利用できるリージョンにはアジアパシフィック(東京)が含まれます。作成時に同意を確認し、合成音声には透かしが入り、録音は声ができあがったあとに保持せず、モデル学習にも使わない、と公式は説明しています
  • 日本企業では、英語の電話案内(IVR)、海外向けの解説動画、英語版ナレーションなど、対応言語の用途に向きます。日本語の自動音声案内には、この機能は使えません

Amazon Pollyの声クローンが、申請制で一般提供に

AWSは2026年11月19日、公式の「What’s New」と、公式ブログ「Amazon Polly launches voice cloning: A unique voice for your brand」で、テキスト読み上げサービス「Amazon Polly」の声クローン機能を一般提供すると発表しました。一般提供ですが、申請が必要なゲート付き(gated release)です。すでに一部の顧客では有効になっており、ほかの利用者は担当のAWSアカウントチームに連絡するか、申請フォームから利用を申し込みます。

公式によると、同意した話者の録音を数分渡すと、その話者に近い声を作れます。できた声はAmazon PollyのGenerativeエンジンで動き、ほかのGenerative音声と同程度の自然さと正確さを目指している、と説明されています。

AWS公式ブログの案内画像。「Amazon Polly launches voice cloning: A unique voice for your brand」という見出しとAWSのロゴ
AWS公式ブログの案内画像。出典:AWS「Amazon Polly launches voice cloning: A unique voice for your brand」(2026年11月19日)

対応言語に日本語は含まれない

声クローンの開始時の対応言語は、次の7つです。

  • 英語(English)
  • スペイン語(Spanish)
  • ドイツ語(German)
  • フランス語(French)
  • イタリア語(Italian)
  • ポルトガル語(Portuguese)
  • ヒンディー語(Hindi)

日本語は、この7つの対応言語に含まれていません。公式ブログでは、クローンした声は「録音した言語だけで話す」と明記しています。複数の言語で同じブランドの声をそろえたい場合は、対応言語ごとに、同意を得た録音から声を作り、確認する必要があります。

録音の推奨事項では、特に検証した録音として、米国英語、ドイツ語、米国スペイン語、フランス語、イタリア語、ブラジルポルトガル語、ヒンディー語が挙げられています。同じ言語の別の口音(イギリス英語やカナダフランス語など)でも使えるが、検証は少ないため、自社の原稿で確かめてほしい、と書かれています。

表:声クローンの対応言語(公式ロケール)と提供リージョン。日本語は非対応。東京リージョンを含む
声クローンの対応言語(公式のロケール)と、提供リージョン。日本語は開始時の7つのなかに含まれません。出典:言語はAmazon Polly開発者ガイド「Voice cloning in Amazon Polly」、リージョンはAWS What’s New(2026年11月19日)。AB通信が表にまとめた
Amazon Polly公式ドキュメントの「Availability, languages, and pricing」。対応言語7つと、作成は無料で合成は他のGenerative voicesと同じ課金である説明
公式ドキュメントより、対応言語7つと、作成は無料で合成は他のgenerative voicesと同じ課金である説明。出典:Amazon Polly開発者ガイド「Voice cloning in Amazon Polly」(確認日は2026年11月20日、日本時間)。ドキュメントには「preview」の表記も残っていますが、What’s Newと公式ブログは申請制の一般提供として案内しています

東京リージョンを含む提供地域と、料金

What’s Newによると、声クローンを使えるAWSリージョンは次のとおりです。アジアパシフィック(東京)も含まれます。

  • 米国東部(バージニア北部)
  • 米国西部(オレゴン)
  • 欧州(フランクフルト)
  • 欧州(チューリッヒ)
  • 欧州(ロンドン)
  • アジアパシフィック(シドニー)
  • アジアパシフィック(ソウル)
  • アジアパシフィック(シンガポール)
  • アジアパシフィック(東京)
  • カナダ(中部)
  • AWS GovCloud(米国西部)

公式ブログでは、Amazon PollyのGenerativeエンジンが使えるリージョン(AWS GovCloud(米国)を含む)で利用できる、とも書かれています。

料金について、What’s Newと公式ブログは「クローンした声を作る作業は、Amazon Pollyの顧客には無料で、合成した音声の分だけ従量課金する。詳細は料金ページを見る」と案内しています。開発者ガイド「Voice cloning in Amazon Polly」では、作成は無料で、合成した音声の料金は他のgenerative voicesと同じ、と明記されています。Amazon Pollyの料金ページ(確認時点、日本時間2026年11月20日)では、Generative voicesは100万文字あたり30ドル(無料枠は最初の12か月間、月10万文字)です。料金例では、平均的なメールが0.09ドル、典型的なニュース記事が0.20ドル、100万文字が30ドル、などと示されています。最新の単価は、利用前に料金ページで確認してください。

グラフ:Generativeエンジンの公式単価(100万文字あたり30ドル)と、料金ページに載っている公式の料金例
Generativeエンジンの公式単価と、料金ページに載っている公式の料金例。クローンした声の合成も、公式ドキュメントでは同じ課金です。出典:Amazon Polly料金ページおよび開発者ガイド「Voice cloning in Amazon Polly」。確認日は2026年11月20日(日本時間)。AB通信が図にまとめた

作り方と、同意・悪用防止の仕組み

公式ブログによると、声は次の4段階で作られます。

  • 録音する。1人の話者の録音を、リクエストに直接載せる、コンソールにアップロードする、または同じリージョンのAmazon S3を指定する
  • 作成する。CreateVoice に1〜10本の録音、話している言語、TermsAccepted=True(話者の同意を確認したことの表明)を渡す。音声ID(vc-…)はすぐに返り、作成は裏で進む
  • 待つ。非同期で、目安は5〜10分。そのあいだに、元の話者との近さも確認される。GetVoice で状態が pending から active または failed になるまで確認する
  • 使う。音声IDを SynthesizeSpeech(リアルタイム)または StartSpeechSynthesisTask(長い音声をS3へ書き出す)に渡し、Engine="generative" を指定する。不要になったら DeleteVoice で削除する
Amazon Polly公式ドキュメントのコンソール手順。Voice Cloningタブ、録音の追加、同意の確認2つ、Create voice、の順
公式ドキュメントに書かれた、コンソールでの作り方(Voice Cloningタブ、録音の追加、同意の確認、Create voice)。実コンソールの操作画面は、申請後のログインが必要なため、この記事では公式手順の画面を掲載しています。出典:Amazon Polly開発者ガイド「Creating a custom voice」(確認日は2026年11月20日、日本時間)

録音の目安は、2〜10分の自然な発話を、1本あたり最大1分、最大10本(合計15分まで)です。公式は、長さより音質が大切で、USBマイクや、WAVで録れるスマートフォンのアプリを使い、会議アプリやブラウザの録音は避けるよう勧めています。会議アプリのノイズ抑制が、クローンした声にもうつるためです。

AWS公式の図。声クローンの流れ。録音、CreateVoice(話者の同意の確認)、Pollyが声を作る待ち、Generativeエンジンでの利用。不要になったらDeleteVoice
声クローンの流れ(録音、作成、待ち、利用)。出典:AWS「Amazon Polly launches voice cloning: A unique voice for your brand」(2026年11月19日)

同意と悪用防止について、公式ブログは次のように説明しています。

  • 声を作るたび、コンソールまたはAPIの TermsAccepted=True で、必要な権利と同意を得ていることを確認する。利用はAWSのサービス規約、生体情報の通知と同意に関する条項、責任あるAIの方針、利用規定の対象になる
  • クローンした声で作った音声には、透かし(watermark)が入る
  • 声は作ったAWSアカウントに限り、IAMでアクセスを管理できる。希望すれば、自分のAWS KMSキーで暗号化できる
  • 不要になったら DeleteVoice で削除する。削除するとデータはすぐに消える
  • 声ができあがったあとに、録音の複製は保持せず、Pollyのモデル学習にも使わない。合成に必要な声データだけを、暗号化した状態で保管する

公式はあわせて、話者の同意の記録を残すこと、同意が撤回されたら声を削除すること、合成音声だと伝えることが適切な場面では伝えること、使う人とシステムだけに権限を付けることを勧めています。

表:Amazon Pollyが用意する声と、クローンしたカスタム声の違い。エンジン、対応言語、作成・合成の料金、同意、透かし
Amazon Pollyが用意する声と、クローンしたカスタム声の違い。出典:AWS公式ブログ(2026年11月19日)および開発者ガイド「Voice cloning in Amazon Polly」をもとにAB通信が作成

日本企業での使いどころ(対応言語に合う場面)

公式が挙げる用途は、電話の自動音声(IVR)やコンタクトセンター、音声エージェント、モバイルアプリ、店内放送、広告、コネクテッドデバイスでの統一されたブランドの声、さらにオーディオブック、学習教材、ポッドキャスト、動画、ゲームのキャラクターなどです。原稿が変わるたびに収録をやり直さず、同じ声で新しい案内を作れる、としています。

日本語の案内には使えないため、日本企業では、対応言語の業務に限って考えるのが確実です。

  • 英語の電話案内。海外からの予約や、英語サポート窓口のIVRで、自社の担当者やナレーター(同意済み)の声で、営業時間や注文状況を読み上げる。東京リージョンで動かせる
  • 海外向けの製品解説動画や、英語圏の社員向け研修動画。脚本が変わっても、同じ英語の声でナレーションを作り直せる
  • 英語、スペイン語、フランス語など、対応言語ごとのブランド音声。言語ごとに同意を得た録音から声を作り、国別サイトやサポート回線で使う
図:Pollyの声クローンの流れと同意の確認。同意した話者の録音、同意を確認して作成、録音は作ったあとに残さない、合成音声への透かし、対応言語の案内や動画での利用、の順。日本語は対応言語に含まれない
声クローンの流れと、同意・透かしなどの公式の仕組み。日本語は対応言語に含まれません。出典:AWS公式「What’s New」および公式ブログ(2026年11月19日)をもとにAB通信が作成

出典

営業メールなし/無料

AI・SEOの動きは、
毎朝7時のメールで追いつける

平山 大樹(AB通信 運営責任者)

毎朝6時に私がピックアップしてます!

平山 大樹|AB通信 運営責任者

AB通信のメール配信イメージ

もうXを追いかけなくていい。前日にAB通信で公開したAI・SEOの新着記事を、朝のうちにまとめてお届けします。

毎朝7時ごろ、前日のAI・SEOの新着記事をメールでお届けします。

営業メールは送りません。無料で、配信はいつでも解除できます。
登録後に届く確認メールの「登録を確定する」ボタンで完了です(迷惑メールフォルダもご確認ください)。

目次