ElevenLabs 推出生成式语音功能：凭空定制现实中不存在的人声

大家都在看 ChatGPT 怎么写小作文、Midjourney 怎么出图，但如果你想给独立游戏里的几十个 NPC 找声音，或者给有声书挑一个独家旁白，往往会卡在一个尴尬的境地：要么去公用音库里和别人撞车，要么花大钱请真人配音。

语音 AI 初创团队 ElevenLabs 提出了另一个解法。他们宣布推出一项全新的生成式声音模型，允许用户从零开始「设计」现实中根本不存在的全新人声，这项功能将在 2 月以「Design Voice」的名字正式上线其 Voice Lab 平台。

像捏脸一样从零捏一把嗓子

以前我们接触的 AI 语音，无非两条路：要么从官方给好的固定声音列表里选，要么拿真人录音做克隆。前者的毛病是容易撞车，几百家播客听起来都像同一个人；后者则存在版权和伦理风险，而且必须先有一段真实存在的音频。

ElevenLabs 的做法更像是在声音维度上「抽卡」。他们解构了原本用于语音合成与克隆的技术，从表征声音特征的「说话人嵌入向量」（speaker embeddings）入手，训练了一个专用模型直接从向量分布中采样。

说白了，系统把音色拆解成了几个基础控制维度。用户只需要在界面上设定性别、年龄、口音、音调以及说话风格这几项参数。有趣的是，即便你两次选择了完全一致的基础参数，只要点一下生成，模型每次吐出来的都是一段独一无二、此前从未在世界上出现过的合成声音。

除了生成全新人声，ElevenLabs 还透露了下一步规划。他们打算把生成与克隆结合起来，让用户优化自己的真实声音。比如你觉得自己录音语气太单调，AI 可以帮你增加起伏；如果你害怕面对麦克风，它还能帮你修饰得更加自然。

面对业内对 AI 抢配音员饭碗的担忧，团队也给出了态度。他们计划推行声音授权分成机制，让配音演员通过出租声音模型获取收益。同时针对滥用风险，他们正在开发音频水印技术，确保模型生成的所有声音都能被追踪溯源。

为什么重要

我们认为，ElevenLabs 这一步走得相当狡猾，也切中了目前生成式音频最大的痛点。

对普通创作者和独立开发者来说，这是真正的生产力释放。过去独立游戏开发者很难承担全语音配音，大量 NPC 只能当「哑巴」；个人作者想把作品变成有声书，也根本雇不起专业团队。现在你不仅能低成本批量生成对白，还能确保这把声音是你的专属资产，不用担心侵犯任何真人的肖像或声音权。

对整个行业而言，这标志着语音 AI 正在从传统的「文本朗读（TTS）」和「克隆」转向真正的从无到有生成。以往厂商拼的是预置声音有多逼真、声音库有多大，而 ElevenLabs 直接把选择权扔给了用户，把静态声音库变成了无限生成的参数池，这会倒逼传统语音合成方案迅速跟进生成化。

不过隐患同样摆在眼前。虽然官方承诺了音频水印和严格的防滥用条款，但音频的传播往往脱敏极快。一旦这些无限生成的合成声音被用于诈骗或虚假信息制作，溯源机制是否能经受住现实黑产的考验，看起来还需要打一个大大的问号。