D-ID 联手 ElevenLabs：为数字人视频接入高质量合成语音

做数字人视频最让人出戏的瞬间，往往不是画面不够精细，而是人物一开口，听起来依然像多年前呆板的电话客服导航。

数字人生成平台 D-ID 宣布与语音合成公司 ElevenLabs 达成合作，直接把后者的语音库整合进自家的 Creative Reality 工作室。

这意味着创作者在 D-ID 里做数字人时，不必再先去 ElevenLabs 调好音频、下载文件，再倒回 D-ID 上传对口型了。

一键把顶级声音塞进数字人

这次更新针对的是 D-ID 的 Pro 订阅用户。用户在后台上传照片、选择 AI 生成的人脸或者内置预设人物后，点一下鼠标就能直接套用 ElevenLabs 的声音。

首批接入的一共有 9 款 ElevenLabs 高级声音。官方表示这些声音在语气重音、情感起伏和个性表达上，都比传统机械读稿要自然得多。

有意思的是，D-ID 前不久刚给演播室升级了一套微表情系统，支持严肃、开心、惊讶和中性 4 种情绪状态。

现在声音和表情凑到了一块。当数字人换上惊讶或开心的表情时，配上 ElevenLabs 带着对应语调起伏的朗读，整体的木偶感确实被冲淡了不少。

拼图式的 AI 工作流正在收拢

在此之前，其实已经有几十万用户在自发把两家的技术拼在一起用。大家往往是在 ElevenLabs 生成拟真语音，再丢给 D-ID 做驱动口型。

D-ID 联合创始人兼 CEO Gil Perry 透露，目前他们的演播室平均每两秒就会增加一名新订阅者，平台累计生成的视频已经超过 1.5 亿条。

这家 2017 年成立的团队，正在通过各种插件把触角伸得更远，比如接入微软 PowerPoint 和 Canva，支持 119 种语言的解说。

而 2022 年才成立的 ElevenLabs 扩张同样很快。创始人当初是因为受不了波兰老电影里糟糕的配音才做这家公司的，如今他们的技术已经成了虚拟人配音的事实标准。

两家把 API 互相打通，本质上就是把散落在各处的生成式 AI 工具整合成一个顺手的工具箱。

为什么重要

我们认为，这起合作最大的价值在于降低了中小创作者和营销团队的制作摩擦。

如果你的日常工作包含录制内训课件、出海营销短视频或知识科普，以前拼凑工具的来回导入导出很耗时间，现在花一份订阅的精力就能在单界面里把人脸和声音一起搞定，现在去试是合算的。

对整个行业来说，生成式 AI 单点工具的红利期正在见底。只做人脸嘴型匹配或者只做声音合成，都容易被工作流更顺畅的平台吃掉。

D-ID 和 ElevenLabs 这步棋走得很聪明，双方没有各自花高昂成本去重复造对方的轮子，而是通过生态绑定把行业标准卡住，直接压缩了后来者的生存空间。

不过隐患也显而易见。高质量的合成声音加上逼真的面孔驱动，让深度伪造视频的制作门槛从专业极客直接下放到了普通用户手边。随着双方在多语言和情绪表达上的进一步打通，两家公司未来在内容溯源和防滥用审核上的压力只会越来越大。