Amazon Pollyの音声クローンとは?本人同意・データ保持・IAM・対応言語・料金を解説

当サイトではアフィリエイト広告を利用しています。

AWSは2026年11月19日、Amazon Pollyの音声クローンを一般提供しました。数分の録音から本人の声に似たカスタム音声を作成し、IVR、コンタクトセンター、音声エージェント、モバイルアプリ、広告、オーディオブックなどで再利用できます。

提供形態はgated releaseです。機能はアカウント単位で有効化され、選定済みのAmazon Polly利用者以外はAWSアカウントチームへの連絡またはアクセス申請が必要です。

企業導入では、話者本人の同意、録音データの扱い、クローン音声の暗号化、IAMによる利用制御、言語とリージョン、料金とクォータまで運用条件として確認します。

日本から利用する場合は、東京リージョンが対応していても、日本語の音声クローンは2026年11月20日時点で対応言語に含まれない点を分けて確認する必要があります。

音声クローンは録音から作成・利用・削除まで管理できる

Amazon Pollyの音声クローンは、1人の話者の録音からカスタム音声を作り、Generative engineで読み上げに使う仕組みです。

作成から利用までは次の流れです。

工程主な操作確認点
1. 録音を用意1〜10本の音声を収録1人の話者、対応言語、録音品質
2. 音声を作成CreateVoice言語、音声名、同意取得済みの表明、暗号化設定
3. 作成完了を待つGetVoice通常5〜10分、pendingからactiveまたはfailedへ遷移
4. 音声を利用SynthesizeSpeechなどEngine="generative"とVoice IDを指定
5. 不要になったら削除DeleteVoice保存されたクローン音声データを削除

CreateVoiceを呼ぶとVoice IDが先に返り、音声作成はバックグラウンドで進みます。利用可能になるまでGetVoiceで状態を確認します。

作成された音声は通常のGenerative voiceと同様に、リアルタイム合成のSynthesizeSpeechや、長い音声をS3へ出力するStartSpeechSynthesisTaskなどで利用できます。

録音は1〜10本・合計15分まで

カスタム音声の作成には、同じ1人の話者による録音を使います。

主な録音条件は次の通りです。

項目条件
録音本数1〜10本
1本の長さ10秒〜15分
合計時間最大15分
対応形式WAV、FLAC、Ogg Vorbis、MP3
コンソールからのアップロード1ファイル5MBまで
S3利用時音声を作成するPollyと同じAWSリージョンのS3オブジェクトを指定
推奨WAVモノラル、16-bit、24kHzまたは44.1/48kHz

短い録音でも作成できますが、声質や話し方の再現は元録音の品質と内容に影響されます。背景音、音楽、複数話者、音量不足などは話者との類似性を下げる要因になります。

作成後の声は元録音に含まれる話し方の傾向を引き継ぎます。用途がIVRならIVR向け、ナレーションならナレーション向けの話し方を録音段階で揃える設計が重要です。

本人同意はCreateVoice前に取得して記録する

音声クローンの作成では、話者本人の同意が前提です。

話者本人の同意はCreateVoice前に取得・記録します。Amazon Pollyコンソールでは作成時に同意・適正利用に関する確認項目へチェックし、APIではTermsAccepted=Trueを指定して、必要な権利と同意を取得済みであることをAWSへ表明します。

AWSのBiometric Notice and Consent Termsは、適用される法令に応じて必要な通知と同意を取得する責任を利用者側に求めています。AI Service Cardでは、各利用目的に対する本人の同意を取得・記録・保持し、同意が撤回された場合はクローン音声を削除する運用を推奨しています。

音声作成中には、元録音との話者類似度を確認する品質チェックも行われます。品質チェックの対象は声の類似性で、同意取得はCreateVoice前に利用者側で行います。

利用者自身のサービスでエンドユーザーに音声を作らせる場合も、CreateVoiceを呼ぶ前にサービス側で同意を取得する設計が必要です。

元録音とクローン音声データは保持範囲が異なる

データ管理では、作成元の録音と、作成後のクローン音声データを分けて考えます。

データAmazon Pollyでの扱い
作成元の録音音声作成と品質確認の間だけ処理し、作成後はPolly内部のコピーを削除
Pollyモデル学習作成元録音をAmazon Pollyモデルの学習には使用しない
クローン音声データ合成に必要なデータを暗号化して保持
削除DeleteVoiceでクローン音声データを削除
暗号化既定はAWS owned key、必要に応じてcustomer managed KMS keyを指定可能

録音をS3から指定する場合、元録音のS3オブジェクトは音声を作成するPollyと同じAWSリージョンに置きます。Pollyが作成後に削除するのはPolly内部で処理したコピーで、利用者がS3に保存した元録音は自分のデータ保持方針に沿って管理します。

クローン音声は削除後に復元できません。別リージョンで作り直す場合や、KMSキーを変更して再作成する場合に備えて元録音を保持するなら、その保管期間とアクセス権も同意条件に合わせて決めます。

IAM・KMS・アカウント境界で利用者を絞る

作成したクローン音声は、作成したAWSアカウントとAWSリージョンに属するリソースです。別アカウントや別リージョンで使う場合は、その環境で音声を再作成します。

Amazon Pollyのカスタム音声はIAMリソースとして扱えるため、特定のVoice ARNだけへpolly:SynthesizeSpeechを許可できます。

運用では、次のように役割を分けると管理しやすくなります。

  • 音声を作成する担当:polly:CreateVoice、polly:GetVoice
  • 音声を使うアプリ:必要なVoice ARNへのpolly:SynthesizeSpeech
  • 音声を削除する管理者:polly:DeleteVoice
  • S3録音を読む担当:対象オブジェクトへのs3:GetObject
  • customer managed keyを使う場合:必要なKMS権限

polly:SynthesizeSpeechをResource: "*"で許可している既存ポリシーは、アカウント内のクローン音声も対象になります。新しく音声クローンを有効化するときは、既存のIAMポリシーも確認対象です。

タグを使った属性ベースのアクセス制御(ABAC)で、音声グループ単位にアクセスを分けることもできます。

生成音声にはウォーターマークが入る

Amazon PollyのGenerative engineで作成された音声にはウォーターマークが埋め込まれ、クローン音声も対象です。

AWS AI Service Cardでは、このウォーターマークをAI生成音声であることの識別に使う設計として説明しています。一般的な圧縮や再エンコードへの耐性を持つ一方、強い編集やミキシング、非常に低いビットレートへの変換はウォーターマークを弱めることがあります。

AWSは、実在する人物のクローン音声を使う場合、リスナーへAI生成音声であることを知らせる運用も案内しています。

対応言語は7言語、日本語は対象外

2026年11月20日時点で、Amazon Pollyの音声クローンに対応する言語は7つです。

言語テスト済みロケール
英語US English(en-US)
フランス語fr-FR
ドイツ語de-DE
ヒンディー語hi-IN
イタリア語it-IT
ポルトガル語Brazilian Portuguese(pt-BR)
スペイン語US Spanish(es-US)

各クローン音声は、作成時に指定した録音言語で話します。British EnglishやCanadian Frenchなど、対応言語内の別アクセントも動作対象ですが、テスト範囲は上記ロケールより限定されています。

日本語は現在の音声クローン対応言語に含まれていません。

日本語の音声複製を検討する場合は、Gemini 3.8 Flash TTSのVoice Replicationについて、同意録音、日本語対応、保存方式、料金を別記事で整理しています。

Gemini 3.8 Flash TTSとは?声の設計・複製・料金・商用利用を解説
Gemini 3.8 Flash TTS / Flash-Lite TTSの違いを、Voice Design、Voice Replication、日本語対応、API料金、商用利用、同意確認、SynthIDまで含めて解説します。

東京リージョンで利用できるが、アカウント単位の有効化が必要

音声クローンはAmazon Polly Generative engineの対応リージョンで利用できます。

2026年11月20日時点の対象は次の通りです。

  • 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(US-West)

Voiceは作成したリージョンに存在します。別リージョンや別アカウントで同じ声を使う場合は、その環境で音声を作り直し、本人同意が各コピーの利用範囲をカバーしているか確認します。

AWSの2026年11月19日のWhat’s NewとMachine Learning Blogは、音声クローンを一般提供のgated releaseとして発表しています。利用可否はアカウント単位で有効化され、Amazon PollyコンソールにVoice cloningが表示されるアカウントは利用できます。

同日時点でDeveloper Guideの一部ページにはpreview表記が残っています。本記事では11月19日の最新の公開発表を基準に、一般提供のゲート付きリリースとして扱っています。

料金は音声作成無料、合成した文字数で課金される

クローン音声の作成自体に追加料金はありません。

作成した音声はAmazon PollyのGenerative voiceとして利用し、合成するテキストの文字数に応じて課金されます。

2026年11月20日時点のGenerative voice料金は、無料枠外で次の通りです。

項目料金
クローン音声の作成0ドル
Generative speech100万文字あたり30ドル
Generative voice無料枠最初の12カ月、月10万文字

customer managed KMS keyを使う場合は、Amazon Polly料金に加えてAWS KMSのキーとリクエストの料金が発生します。

生成済み音声は保存して繰り返し再生でき、Amazon Pollyはキャッシュと再生に追加の合成料金を課しません。固定の電話案内や定型ナレーションは、一度生成・確認した音声ファイルを保存して配信する構成にすると、出力の揺れと再合成コストを抑えられます。

初期上限は1リージョン10音声

カスタム音声の初期クォータは、1 AWSアカウント・1リージョンあたり10音声です。

この上限は調整可能で、必要な場合はAWS Supportへ引き上げを申請できます。

CreateVoiceとDeleteVoiceは共有で1秒あたり1リクエストの制限があります。音声合成側はGenerative engineのクォータが適用されます。

多数のブランド、キャラクター、言語、リージョンを運用する場合は、音声ID、話者本人の同意記録、用途、リージョン、KMSキー、IAM対象、削除条件をひも付けて管理する必要があります。

本番投入前は実際の台本で確認する

AWSは、本番利用前に実際のコンテンツで音声を確認するよう案内しています。

確認対象には、次のようなものがあります。

  • 商品名やサービス名
  • 人名、地名、住所
  • 数字や注文番号
  • 長い文章
  • IVRの固定案内
  • ブランド固有の言い回し

Generative voiceでは、同じテキストでもリクエストごとに出力が少し変わることがあります。

固定プロンプトは一度音声化して、話者本人やブランド担当者が承認したファイルを保存して使う方法が取れます。英語、フランス語、イタリア語、ドイツ語、スペイン語ではSSMLの<phoneme>タグも利用できます。

企業導入では8項目を先に決める

ブランド音声や業務音声として導入する場合は、次の8項目を先に決めておくと運用しやすくなります。

項目確認内容
アクセス対象AWSアカウントでVoice cloningが有効か
本人同意誰の声を、どの用途で使う同意か
録音対応言語、録音品質、保管場所
データ保持S3原本をいつまで残すか、Pollyのクローン音声をいつ削除するか
IAM誰が作成・合成・削除できるか
暗号化AWS owned keyかcustomer managed KMS keyか
品質確認実台本で発音・声質・出力変動を確認する
費用・上限Generative文字数料金、音声数クォータ、リージョン数

Amazon Pollyの音声クローンは、本人同意とデータ・アクセス管理を含めて継続運用するサービスとして設計されています。

まとめ

Amazon Pollyの音声クローンは、本人同意を得た1人の話者の録音からカスタム音声を作り、Generative engineで新しいテキストを読み上げる機能です。

作成は1〜10本・合計15分までの録音を使い、通常5〜10分で非同期に進みます。元録音のPolly内部コピーは作成後に削除され、Amazon Pollyモデルの学習には使われません。作成されたクローン音声データは暗号化して保持され、IAM、KMS、タグで利用範囲を管理できます。

対応言語は英語、フランス語、ドイツ語、ヒンディー語、イタリア語、ポルトガル語、スペイン語の7言語です。東京リージョンには対応していますが、日本語の音声クローンは現在の対象外です。

料金は音声作成が無料で、利用時はGenerative voiceの合成文字数に応じて課金されます。企業導入では、同意記録、S3原本、クローン音声データ、IAM、KMS、言語・リージョン、品質確認、削除条件を一つの運用単位として管理することが実務上のポイントになります。

公式情報・参照先

タイトルとURLをコピーしました