Amazon Polly delivers a major upgrade to its Generative engine

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Amazon Polly가 기존 음성 이름·API·가격을 유지하면서 Generative 엔진의 자연스러움과 정확도를 개선하고, 힌디어·핀란드어를 포함한 신규 음성 14개를 정식 출시했다.

📌 핵심 요약

• AWS는 Amazon Polly Generative 엔진이 낮은 지연 시간을 유지하면서 더 자연스럽고 표현력이 풍부한 음성과 정확한 숫자·금액·주소 발화를 제공하도록 개선됐다고 밝혔다. 기존 Generative 음성은 같은 이름과 API로 자동 업그레이드되며 코드 변경이 필요 없다.
• 9개 로캘에 신규 음성 14개가 추가돼 전체 카탈로그가 11개 언어·25개 로캘·57개 Generative 음성으로 확대됐다. 힌디어와 핀란드어 Generative 음성이 처음 정식 제공되며, AWS GovCloud (US-West) 추가로 지원 범위는 11개 AWS 리전이 됐다.
• 기존 SynthesizeSpeech API로 음성을 생성하고 StartSpeechSynthesisStream 양방향 스트리밍 API로 텍스트 입력과 합성 음성 수신을 동시에 처리할 수 있다. AWS는 이를 컨택 센터, LLM 기반 음성 에이전트, 미디어·현지화, 교육, 접근성 및 대화형 서비스에 활용할 수 있다고 설명한다.
• 개선된 Generative 엔진은 기존과 동일한 종량제 가격으로 제공되며 신규 SKU나 통합 변경이 없다. 합성한 정적 안내 음성은 추가 비용 없이 캐시하고 재생할 수 있고, SSML을 통한 세부 제어도 계속 지원한다.
• Standard와 Neural 음성은 이번 업그레이드의 영향을 받지 않는다. Generative 음성은 기존과 마찬가지로 speech marks를 지원하지 않으므로 해당 기능이 필요하면 Standard 또는 Neural 음성을 사용해야 하며, 리전별 음성 가용성은 DescribeVoices 또는 콘솔로 확인해야 한다.

🧩 주요 포인트

1. 기존 통합의 연속성 → 음성 이름·API·가격을 유지하는 업그레이드이므로 기존 Generative 애플리케이션에서 코드 수정 없이 음질 개선을 받을 수 있다.
2. 표현력·정확도·언어 범위 확대 → 고객 응대에서는 정보 전달의 신뢰성을, 콘텐츠 제작에서는 현지화 범위와 청취 경험을 개선할 여지가 있다.
3. 실시간 활용과 기능 제약의 병존 → 양방향 스트리밍은 대화형 서비스에 적합하지만, 리전별 가용성과 speech marks 필요 여부에 따라 음성 선택이 달라진다.

🧠 상세 정리

1. Generative 엔진의 품질 개선과 기존 애플리케이션 적용

Amazon Polly는 텍스트를 자연스러운 음성으로 변환하는 완전관리형 AWS 서비스로, 이번 발표는 Generative 엔진의 표현력과 정확도를 높이는 업그레이드를 다룬다. AWS는 낮은 지연 시간을 유지하면서 더 자연스럽고 진정성 있게 들리는 음성을 제공한다고 설명하며, 개선된 엔진은 이미 프로덕션 환경에서 정식 제공된다고 밝혔다. 기존 Generative 음성은 이름과 API 호출 방식이 그대로 유지되는 상태에서 업그레이드되므로, 사용 중인 애플리케이션 코드를 바꿀 필요가 없다. 원문은 Tiffany의 환영 인사와 Kenneth의 주문 확인 낭독을 샘플로 제시해 감정 표현과 숫자·금액·주소 발화의 개선을 직접 들어볼 수 있도록 한다. 또한 같은 배송 안내라도 입력 문장의 맥락에 따라 중립적 표현, 불확실한 표현, 놀란 표현으로 달라질 수 있으며, 이런 감정과 운율의 반영에 수동 설정이 필요하지 않다고 설명한다.

2. 신규 음성 14개와 힌디어·핀란드어 정식 지원

이번 업데이트에서는 9개 로캘에 음성 14개가 추가됐으며, Amazon Polly Generative 엔진 전체 카탈로그는 11개 언어와 25개 로캘에 걸친 음성 57개로 확대됐다. 영어 계열에서는 미국 영어 Kenneth와 Nate, 호주 영어 Russell과 Curtis, 인도 영어 Kiara와 Arjun이 추가됐다. 다른 신규 음성은 독일어 Tina, 미국 스페인어 Carlos, 브라질 포르투갈어 Leo와 Carolina, 한국어 Hyunduk, 힌디어 Kiara와 Arjun, 핀란드어 Suvi다. 특히 힌디어와 핀란드어는 Generative 엔진에서 처음 정식 제공되는 언어이며, 원문은 힌디어 뉴스·이야기와 핀란드어 이야기 낭독 샘플을 제시한다. 리전 측면에서는 AWS GovCloud (US-West)로 지원 범위가 확장돼 총 11개 AWS 리전에서 제공되며, 언어·로캘 확대는 동일한 음성 제작 흐름으로 더 많은 시장을 지원할 수 있다는 활용 방향으로 연결된다.

3. 기존 AWS 운영 방식과 실시간 양방향 스트리밍

업그레이드된 엔진은 표준 Amazon Polly API를 사용하므로 기존 AWS 기반 음성 애플리케이션의 운영 방식을 이어갈 수 있도록 설계됐다. 접근 권한은 AWS Identity and Access Management(IAM)로 관리하고, 생성된 음성을 기존 애플리케이션이나 컨택 센터 흐름에 연결하며, 고객에게 음성을 제공하는 합성 워크로드를 모니터링할 수 있다. 기존 Generative 음성 사용자는 현재 통합에서 개선된 음성을 받으며, 신규 애플리케이션도 같은 SynthesizeSpeech API로 확대된 음성 카탈로그에 접근한다. 양방향 스트리밍 API인 StartSpeechSynthesisStream을 사용하면 텍스트를 Amazon Polly에 보내는 동시에 합성된 오디오를 수신할 수 있다. 원문은 이 방식을 음성 에이전트와 게임 속 맞춤형 캐릭터처럼 실시간 반응이 필요한 애플리케이션에 적합하다고 설명한다.

4. 가격 유지와 음성 제어 기능

AWS는 이번 모델 업그레이드로 음성 품질과 정확도가 개선되지만 Generative 엔진의 가격은 인상되지 않는다고 밝혔다. 과금은 기존과 같은 종량제 방식이며, 신규 SKU가 생기거나 기존 통합을 변경해야 하는 것도 아니므로 현재 사용 구조에서 개선된 엔진을 이용할 수 있다는 설명이다. 또한 이미 합성한 정적 안내 음성을 캐시하고 재생하는 데에는 추가 비용이 없다고 안내하며, 전체 비용 정보는 Amazon Polly 가격 페이지를 참조하도록 한다. 기능 측면에서는 실시간 애플리케이션을 위한 낮은 지연 시간의 스트리밍과 함께 Speech Synthesis Markup Language(SSML)를 통한 세부 제어가 계속 지원된다. 원문은 이런 품질·성능·비용 효율성과 완전관리형 서비스의 운영 신뢰성을 프로덕션 활용의 근거로 제시하지만, 경쟁 제품과의 구체적인 가격 비교나 정량 성능 수치는 제시하지 않는다.

5. 컨택 센터와 LLM 기반 음성 에이전트

컨택 센터에서는 주문 조회 시 추적 번호, 주소, 확인 코드를 정확히 읽는 능력이 중요하며, AWS는 이런 정확성이 상담원에게 연결하지 않고 셀프서비스로 통화를 해결하는 데 도움이 된다고 설명한다. 정확한 정보 발화와 낮은 지연 시간의 음성 생성은 자동 음성 응답인 IVR 상호작용을 더 대화처럼 들리게 만드는 요소로 제시된다. LLM 기반 음성 에이전트에서는 모델이 생성한 응답 텍스트를 Amazon Polly로 음성화하고, WebSockets 또는 전화 채널을 통해 사용자에게 거의 실시간으로 스트리밍할 수 있다. 원문이 강조하는 이 구성의 주요 이점은 낮은 지연 시간의 재생, 높은 확장성, 비용 효율성이다. 게임, 키오스크, IVR 메뉴, IoT 기기처럼 요청에 따라 응답을 생성하는 환경에서도 이름·숫자·제품 정보·주소·확인 내용을 자연스럽고 신뢰성 있게 읽는 용도로 활용할 수 있다고 설명한다.

6. 콘텐츠 제작·교육·접근성과 고객 사례

미디어 분야에서는 영상, 광고, 팟캐스트, 제품 소개, 오디오북의 대본을 하나 또는 여러 음성으로 변환할 수 있으며, AWS는 별도 스튜디오 녹음 없이 제작하고 자연스러운 억양으로 후반 작업을 줄일 수 있다고 설명한다. 힌디어와 핀란드어를 포함한 로캘 확대는 같은 제작 파이프라인으로 콘텐츠를 더 많은 시장에 현지화하는 데 활용할 수 있다. 교육과 훈련에서는 강의 자료, 온보딩 콘텐츠, 지식 기반 문서의 원문이 바뀌면 다시 녹음하지 않고 내레이션을 갱신할 수 있고, 표현력 향상은 긴 자료의 청취 몰입을 돕는 요소로 제시된다. 접근성 측면에서는 기사·문서·애플리케이션을 음성으로 제공해 이동 중 청취나 화면 낭독기를 통한 이용을 지원한다. Sanoma Media Finland의 제품 관리자 Justus Reinikainen은 기존 핀란드어 Neural 음성으로 매월 10,000건이 넘는 기사를 음성화하고 있으며, 자체 테스트에서 새 Generative 음성 Suvi가 이전 음성보다 뚜렷하게 자연스럽고 청취 경험도 개선됐다고 평가했다.

7. 콘솔·SDK·CLI를 통한 사용 시작

새 음성은 AWS Management Console, AWS Command Line Interface(AWS CLI), AWS SDKs를 통해 사용할 수 있으며, 원문은 Python용 AWS SDK인 Boto3와 CLI의 호출 예시를 제공한다. 예시를 실행하기 위한 사전 조건으로 Amazon Polly 접근이 가능한 활성 AWS 계정, 설치·설정된 AWS CLI, Python 3.10 이상, Boto3 설치, polly:SynthesizeSpeech IAM 권한을 제시한다. Python 예시는 us-east-1 리전의 Polly 클라이언트에서 synthesize_speech를 호출하고, VoiceId를 Kenneth, Engine을 generative, 출력 형식을 mp3로 지정한다. 반환된 AudioStream은 speech.mp3 파일에 저장하며, CLI 예시도 같은 리전·음성·엔진·출력 형식으로 동일한 요청을 수행한다. 전체 최신 음성 목록은 DescribeVoices로 조회할 수 있고, 이를 배포 확인 과정에서 사용하면 애플리케이션이 실행되는 리전에 선택한 Generative 음성이 제공되는지 확인할 수 있다.

8. 제공 리전과 기존 기능의 제약

차세대 Generative 엔진과 신규 음성은 현재 정식 제공되며, 신규 음성 14개의 지원 리전은 미국 동부 버지니아 북부, 미국 서부 오리건, 유럽 프랑크푸르트·취리히·런던, 아시아 태평양 시드니·서울·싱가포르·도쿄, 캐나다 중부, AWS GovCloud (US-West)다. 개발자는 기존 애플리케이션에서 Engine을 generative로 지정해 synthesize_speech를 호출할 수 있으며, 원문은 그 밖의 코드 변경이 필요하지 않다고 안내한다. 컨택 센터 팀의 Amazon Connect와 Genesys 흐름에는 개선 사항이 자동으로 적용되고, 콘솔에서도 음성을 이용할 수 있다. 다만 Standard와 Neural 음성은 이번 변경의 영향을 받지 않으며, Generative 음성이 speech marks를 지원하지 않는 기존 제약도 유지되므로 해당 기능이 필요한 경우 Standard 또는 Neural 음성을 사용해야 한다. Generative 엔진은 SSML 태그 지원을 계속하지만 구체적인 지원 태그는 관련 문서에서 확인해야 하며, 여러 리전에 배포할 때는 DescribeVoices나 콘솔을 통해 현재 음성 가용성을 확인하도록 권고한다.

🧾 핵심 주장 / 시사점

• 음성 품질 개선과 함께 기존 API·음성 이름·가격을 유지한다는 점은, 이미 Generative 음성을 사용하는 서비스가 통합 변경 부담 없이 개선 효과를 받을 수 있다는 의미다.
• 숫자·주소 발화의 정확도와 감정 표현의 개선은 서로 다른 활용 가치를 갖는다. 전자는 거래·고객 응대의 정보 전달에, 후자는 콘텐츠와 대화형 경험의 자연스러움에 연결된다.
• 언어와 리전 확대가 모든 기능의 동일한 지원을 뜻하지는 않는다. 실제 적용 가능성은 리전별 음성 가용성과 Generative 음성의 speech marks 미지원 제약을 함께 고려해야 판단할 수 있다.

✅ 액션 아이템

• 기존 Amazon Polly Generative 애플리케이션에서 코드 변경 없이 적용되는 음성의 자연스러움과 숫자·금액·주소 발화 정확도 확인.
• DescribeVoices 또는 콘솔을 통한 배포 리전의 Generative 음성 가용성 확인.
• speech marks 필요 여부에 따른 Generative 음성과 Standard·Neural 음성의 적합성 검토.

❓ 열린 질문

• 기존 Amazon Polly Generative 애플리케이션에서 자연스러움과 숫자·금액·주소 발화 정확도는 실제로 얼마나 개선되는가?
• 사용하려는 Generative 음성은 배포 리전에서 DescribeVoices 또는 콘솔로 가용성을 확인할 수 있는가?
• 대상 애플리케이션은 speech marks가 필요해 Standard 또는 Neural 음성을 사용해야 하는가?