Amazon Polly：四档价格，只为实际需要的质量付费
大多数 TTS API 只提供一种语音质量档位和一个价格点，无论你要生成的是简短的 IVR 提示，还是完整的有声书章节。AWS 的文字转语音服务 Amazon Polly 刻意采用了不同方法：四种独立的语音引擎，各自面向不同的质量与成本取舍。这样，高流量通知系统无需为用不到的表现力支付高价，而以旁白为主的项目也不必为了省钱而被迫接受听起来机械的输出。
什么是 Amazon Polly？
Amazon Polly 是 AWS 的云端文字转语音服务，利用深度学习将书面文字转换成涵盖数十种语言的自然语音。它从一开始就是 AWS 的核心服务，这意味着它可以原生集成 AWS 生态系统的其他部分——用 S3 存储音频、用 CloudWatch 监控、用 IAM 控制访问——而不是后来附加到 AWS 上的独立产品。
Amazon Polly 的功能优势
- 四种不同的语音引擎，对应四个价格点，让你可以有意识地让成本匹配具体内容真正需要的质量，而不必为所有内容统一支付高端价格。
- 广泛的语言覆盖范围，涵盖数十种语言和地区语音变体。
- 深度原生集成 AWS，可直接与 S3、CloudWatch、IAM 和 Lambda 配合，适合已经基于 AWS 基础设施进行开发的团队。
- 真正慷慨的 12 个月免费套餐，四种引擎都有可观的字符额度，而不是只有最便宜的引擎可以免费使用。
- 明确的隐私承诺：Amazon Polly 不会保留你提交的文本内容。
- 全面支持 SSML，可在所有引擎档位中直接控制发音、语速和重音。
四种引擎：为内容选择合适的档位
这种分层结构是 Polly 最具代表性的特点，正确选择比直接采用最贵的选项更重要。Standard 语音是最早推出、价格最低的档位——适合基本通知、IVR 提示以及其他高流量、低细腻度的用例；在这些场景中，清晰度比自然的表现力更重要。基于深度学习构建的 Neural 语音是最常被建议用于生产环境的档位——语调更流畅、节奏更自然，对复杂句子的处理也明显更好；相比 Standard 确实更贵，但溢价有合理依据。Generative 语音于 2024 年加入，并在 2026 年 3 月大幅扩展，它使用一个拥有十亿参数的 Transformer 模型，进一步提升富有表现力且细腻的表达——当内容确实能从比 Neural 更自然的演绎中获益时，就适合选择这个档位。Long-Form 语音则专门解决完全不同的问题：长时间聆听。它并非针对单句或单段进行优化，而是专门调校，以减轻听众在有声书或完整文章等真正长篇内容中的疲劳感——这是价格最高的档位，应留给这种特定长时间聆听优化确实能产生回报的内容。
Polly 不提供哪些功能
在围绕 Polly 构建系统前，有一点值得坦诚了解：与一些已经加入受限克隆功能的云服务商不同，Amazon Polly 并不把声音克隆作为核心能力。独立评测还指出，如果不采用更高级且单独计费的定制选项，就很难创建辨识度很高的品牌声音；对于真正富有戏剧性和强烈情绪的表达，专门的表现力 TTS 竞争产品仍可能胜过 Polly 最具表现力的档位。如果项目的核心要求是复现某个真实声音，或最大限度拓展原始情绪范围，就值得在决定采用前，把 Polly 的 Generative 档位与这些替代方案直接比较，而不是假定最新引擎已经补齐了所有差距。
Amazon Polly 入门
- 设置 AWS 账户和 IAM 凭证。 Polly 使用标准 AWS 身份验证，因此在进行任何 API 调用前，你需要一个访问密钥和秘密访问密钥，并为 IAM 用户或角色附加适当的 Polly 权限。
- 安装对应编程语言的 AWS SDK。 对 Python 而言，
boto3是标准客户端库——运行pip install boto3即可开始使用；JavaScript、Java 和其他受支持语言也提供对应的 SDK。 - 使用文本和所选引擎调用
synthesize_speech。 一个基本的 Python 调用如下：polly_client.synthesize_speech(Text="your text", OutputFormat="mp3", VoiceId="Joanna", Engine="neural")——通过Engine参数具体选择 Standard、Neural、Generative 或 Long-Form。 - 在假定完全兼容前，检查哪些声音支持哪些引擎。 并非每种声音都能用于全部四种引擎——在围绕某种组合构建流程前，请确认所选的
VoiceId确实支持你需要的引擎档位。 - 直接在文本输入中使用 SSML 标签，以获得更精细的控制。 用 SSML 标记包裹输入，即可在四种引擎中的任何一种上控制发音、语速和重音。
- 通过 CloudWatch 监控用量，并为 AWS 相关成本编制预算。 除引擎按字符计费外，如果要保存生成的音频文件，还需考虑数据传输费用和 S3 存储成本，因为这些费用与 Polly 的核心用量分开计费。
获得更好结果的技巧
- 大多数生产内容默认选择 Neural，而不是 Standard。 Neural 只需比 Standard 适度增加成本，就能带来明显更自然的声音；对于任何面向客户的内容，它都是更合理的默认选择，不应把 Standard 当作稳妥起点。
- 把 Generative 和 Long-Form 留给确实能从中受益的内容。 Generative 的表现力和 Long-Form 减轻疲劳的调校都是真实优势，但每字符成本也明显更高——应让档位匹配确实需要这种特定质量的内容，而不是所有场景都默认选择最高档。
- 决定采用前，测试具体的声音与引擎组合。 并非所有声音都支持全部四种引擎，因此应尽早验证目标语言和声音是否可用，不要等到围绕该组合构建完流程后才发现不匹配。
- 进行大规模预算前，直接查看当前价格。 Amazon 会随时间调整 Polly 的引擎价格，不同来源引用的每字符费率也可能不同——请在 AWS 自己的价格页面确认当前数字，不要依赖可能已经过时的引用数据。
- 如果声音克隆是核心要求，就选择其他方案。 Polly 并未将其作为内置能力，因此，专门支持声音克隆并具备适当同意机制和安全保障的服务商，更直接适合这项具体需求。
Amazon Polly、Azure AI Speech 与 Edge TTS 对比
| Amazon Polly | Azure AI Speech | Edge TTS | |
|---|---|---|---|
| 价格结构 | 四个档位（每 100 万字符 $4–$100+） | 两个主要档位（Neural、Neural HD） | 免费 |
| 声音克隆 | 非核心功能 | 支持，通过受限的 Personal Voice | 不适用 |
| 生态系统集成 | 深度集成 AWS（S3、CloudWatch、IAM） | 深度集成 Azure/Foundry | 无——独立工具 |
| 免费套餐 | 支持，12 个月，额度慷慨 | 支持，每月额度 | 本身免费，不限量 |
| 官方授权 API | 是 | 是 | 否——非官方社区工具 |
| 最适合 | 已经使用 AWS、需要分层控制成本的团队 | 需要深度 SSML 和自定义声音训练的团队 | 原型开发和个人项目 |
Amazon Polly 的独特定位，是把有意设计的成本分层与深度 AWS 原生集成结合起来——对于已经基于 AWS 基础设施进行开发、希望显式控制价格与质量取舍，而不是让每个用例都采用同一固定费率的团队，它是合适的默认选择。
常见问题
Polly 的四种语音引擎有什么区别？
Standard 价格最低，最适合基本通知和 IVR。Neural 以适度溢价提供明显更自然的语调和节奏，推荐用于大多数生产内容。Generative 使用拥有十亿参数的 Transformer 模型，实现更富表现力且细腻的表达。Long-Form 专门经过调校，用于减轻有声书等长篇内容在长时间聆听中的疲劳感。
Amazon Polly 支持声音克隆吗？
它并不将声音克隆作为普遍可用的核心功能。如果克隆某个特定声音是核心要求，直接提供这项能力并配有适当同意保障的服务商会更合适。
Amazon Polly 可以免费使用吗？
它为 AWS 新客户提供 12 个月免费套餐，各引擎的字符额度不同——Standard 的额度远高于 Generative 或 Long-Form。超过免费套餐后，它按使用量、按字符计费。
Amazon Polly 会保留我提交的文本吗？
不会——Amazon 明确表示，Polly 不会保留提交文本的内容。
面向客户的应用应该使用哪种引擎？
Neural 通常是面向客户内容的推荐起点，能够平衡自然语音质量与成本；只有在 Generative 增加的表现力值得更高价格时，才专门选择它。
使用 Echora 在线生成语音
若需要目标相近的浏览器工作流，可以使用 Echora 的文字转语音。将最多 5,000 个字符转换成单人语音，试听结果并下载最终 MP3。