Hume AI 发布 Octave 2：延迟低于 200 毫秒，价格砍半支持 11 种语言

很多 AI 语音工具还在比拼谁的声音更像真人，但做情感 AI 起家的 Hume 已经开始琢磨怎么让 AI 演戏，甚至允许你像修图一样去修改声音的最小单位了。

Hume 宣布推出第二代前沿文本转语音模型 Octave 2，目前已经在其官方平台和 API 开放预览测试。

15 秒克隆、带口音切换，还能修音素

新模型支持 11 种语言，包括阿拉伯语、英语、法语、德语、印地语、意大利语、日语、韩语、葡萄牙语、俄语和西班牙语。团队还表示，未来几个月会把支持语言扩大到至少 20 种。

只要一段 15 秒的原声录音，Octave 2 就能完成即时声音克隆。有趣的是，当你让克隆声音说另一种语言时，模型还会预测并保留说话人本身的母语口音。

这次最惹人注目的功能是声音转换和直接音素编辑。声音转换可以在保留原音频所有发音细节和节奏停顿的前提下，把音色换成另一个人，这在多语言译配或者演员替身补录时非常有用。

音素编辑则更细致。如果你觉得某个专有名词读错了，或者想调整某个词的重音，可以直接在音素层面微调，甚至可以用现有音素拼出一个原文本里没有的新词。不过，这两项编辑功能目前还是即将上线的状态。

延迟压进 200 毫秒，价格砍掉一半

在生成性能上，Octave 2 的音频生成时间压缩到了 200 毫秒以内，整体速度比一代快了 40%。针对罕见词、重复词、数字和符号的发音也做了专门优化。

为了兼顾质量和极低延迟，Hume 找来了 SambaNova 合作，针对新架构定制了一套专用的推理技术栈，直接部署在先进推理芯片上。

速度变快的同时，调用价格直接腰斩。官方给出的数据是只有一代的一半，如果采用独立专属部署，每分钟音频的成本可以降到 1 美分以下。

配合这次发布，Hume 还推出了 EVI 4 mini，把 Octave 2 的能力引入到了语音到语音 API 中。不过它目前还不能原生生成文字内容，开发者接入时必须外挂一个通用大语言模型。

为什么重要

对于影视译配、游戏配音和内容创作者来说，以往用 AI 配音最头疼的就是多音字抽卡，或者重音放错位置必须整段重新生成。音素编辑把对 AI 语音的控制精度拉到了像素级别，我们认为这是它最聪明的一步棋，让工具真正具备了工业制作的可控性。

在商业落地层面，延迟压到 200 毫秒且每分钟成本压到 1 美分以下，直接击穿了实时语音代理的规模化门槛。这会给 ElevenLabs 等主打高质量拟真配音的对手带来直接压力，逼着行业在拼音质的同时必须解决高并发下的延迟与算力成本。

但它的隐患也同样明显。首先是声音转换与口音克隆技术的普及，必然会让深度伪造的鉴伪难度再次升高。另一方面，EVI 4 mini 目前还需要外挂外部模型才能完成对话，看起来说明 Hume 在端到端一体化大模型的全能能力上，依然还在补课和过渡。