Hume AI 推出 EVI 3：一句提示词，任意声音和性格随你定制

如果你和主流的语音 AI 聊过天，应该很熟悉那种机械感：哪怕声音听起来再甜美，只要你一打断，它就会卡壳一秒，或者永远用同一种毫无波澜的播音腔回答你。

专注于情绪智能的初创公司 Hume AI 刚刚发布了第三代语音大模型 EVI 3。他们宣称这是目前最拟真、最听话的端到端语音大模型。说白了，它不再是传统的把语音转成文字、扔给大模型思考、再把文字合成语音的三段式架构，而是由同一个模型端到端直接理解语音并生成语音。

像海盗一样耳语，还能听出你生没生气

传统的语音模型往往只有几个官方预设的声音，性格也十分刻板。EVI 3 的最大变化之一，是允许你单靠一段提示词，当场塑造出任何声音和性格。

Hume 官方表示，其平台上现有的 10 万多种自定义声音都可以直接使用，并且能推断出对应的性格特征。更关键的是对情感和语气风格的控制能力。在测试中，系统能即时切换 30 种不同的情绪和说话风格，从气喘吁吁、嘲讽、耳语，到像海盗一样说话或者假装自己在看一幅名画，都能随时切换。

除了会表达，它还能听出言外之意。即使用户用一模一样的词句发问，只要语调、节奏和音色变了，EVI 3 也能捕捉到背后的情绪。在针对害怕、愤怒、痛苦、惊喜等 9 种特定情绪的盲测中，参与者给 EVI 3 在情绪识别准确度和回答自然度上的打分，都高于 OpenAI 的 GPT-4o。

在与 GPT-4o 的双盲对话评测里，无论是共情力、表现力、声音质感，还是面对打断时的反应速度，参与者平均都把更高的票投给了 EVI 3。

边说话边搜索，实际延迟压到 1.2 秒

语音交互最怕冷场。官方称在顶级硬件配置下，EVI 3 的理论响应延迟可以做到 300 毫秒以内。

不过在真实网络环境下，表现会有所折损。Hume 在纽约办公室实测部署在美国西海岸的系统，EVI 3 网页端的实际延迟大约在 0.9 到 1.4 秒之间，平均约为 1.2 秒。作为对比，他们测出的 GPT-4o 实时 API 延迟在 2.5 到 3.1 秒，Gemini Live API 平均在 1.5 秒左右。

与此同时，EVI 3 采用了所谓的快思考与慢思考架构。它在实时开口回应的同时，还能在后台与更深度的推理模型交互，或者调取网页搜索。这让它既能保持聊天的流利和语速，又不至于在复杂知识上胡说八道。

目前普通用户已经可以在 Hume 的网页 Demo 和 iOS 客户端上试用 EVI 3。官方表示开发者 API 会在接下来几周内上线，模型后续还会强化法语、德语、意大利语和西班牙语等多语言能力。

为什么重要

我们认为，EVI 3 标志着语音 AI 正在从功能型助理，正式转向具有拟人社交属性的互动主体。

对于做陪伴类产品、虚拟角色或语言教育的团队来说，现在就值得去网页端上手试试。以往为了让声音有戏，开发者必须花大价钱定制声音模型，还得用复杂的规则拼接情感标记。现在一句话提示词就能搞定角色性格，门槛被大幅拉低。不过如果是严肃的客服场景，过度外露的情绪可能反而会增加沟通成本，它的最佳舞台依然是娱乐与情感陪伴。

从行业竞争来看，这给 OpenAI 和 Google 提了个醒。大厂的多模态往往追求全能，但在语音这根细分赛道上，语气微调、情绪共鸣和抗打断体验，恰恰是决定用户愿不愿意长期聊下去的关键细节。专攻情绪感知的垂直厂商，完全有机会在大厂的通用底座夹缝中建立起体验壁垒。

当然，隐患也显而易见。过度逼真的情绪表达和声音生成能力，不可避免会加剧深度伪造与情感欺诈的风险。如果一个人造声音在电话里带着哭腔向你求助，普通人极难辨别真伪。在情绪合成越来越像真人的同时，安全防护的担子看起来只会更重。