用途：Amazon Polly 是 AWS 托管的文本转语音服务，适合需要可预测 API 操作、IAM 治理、发音词典、SSML 与可复用音频的生产场景。它是托管音色与引擎，不是声音克隆系统，不提供自定义音色训练或任意说话人模仿。
主要能力：提供四种引擎——Standard（兼容性最广）、Neural（更自然、支持全部语音标记）、Long-form（面向长叙事，仅少数音色且仅限美国东部北弗吉尼亚区域）、Generative（最会话化并支持流式，但不支持语音标记和 Newscaster 风格）。三种操作：SynthesizeSpeech 实时合成（总输入上限 6000 字符，计费不超过 3000，输出 10 分钟后截断）；StartSpeechSynthesisTask 异步输出到 S3（总输入上限 200000 字符，计费不超过 100000）；StartSpeechSynthesisStream 双向 HTTP/2 流式，目前仅支持 generative 引擎且无 JSON 语音标记。输出格式含 mp3、ogg_vorbis、ogg_opus、pcm、mulaw、alaw 及用于语音标记的 json。语音标记为按行分隔的 JSON，含毫秒时间、类型（sentence、word、viseme、ssml）与字节偏移或值，可用于字幕、高亮与口型同步。发音词典遵循 W3C PLS，按区域存储，最多每次请求指定 5 个。
使用方式：先选操作再选引擎，生产环境务必显式指定 Engine，并用 DescribeVoices 校验音色—引擎—区域兼容性。需要确定性停顿、日期、缩写或发音修正时设置 TextType="ssml" 并用 <speak> 包裹；SSML 内需转义 &、<、> 等保留字符。需要时间轴时用相同文本、引擎、音色再请求一次 OutputFormat="json" 加 SpeechMarkTypes。
限制：Generative 不支持语音标记、Newscaster 风格，且 AWS 警告模型更新后输出可能变化，并设有幻觉与紧急停止安全机制但无法完全消除不当或截断输出风险。Neural 的 say-as interpret-as="characters" 可能用 Standard 音色合成但仍按 Neural 计费。<emphasis> 对 Neural、Long-form、Generative 不可用。语音标记仅 OutputFormat="json" 可用。词典需语言与音色语言匹配，配额为每区域每账户 100 个、单个 40000 字符。IAM 支持基于身份的策略与临时凭证，不支持基于资源的策略、服务角色等。具体价格、配额、区域与音色列表可能变动，请以 AWS 官方最新文档为准。