Hume AI 发布 Octave：懂语境的 TTS，能听出讽刺与怒气

大部分文本转语音工具遇到的最大问题，其实不是声音不像真人，而是它根本不知道自己在念什么。一段充满讽刺意味的台词，传统 TTS 往往会用四平八稳的播音腔读完，瞬间让人出戏。

Hume AI 在 2 月 26 日推出了名为 Octave 的文本转语音模型。官方给它的定义是首个面向语音合成的语言大模型。它的核心思路不是机械地把文字拼成读音，而是先去理解台词上下文里的情绪、语气和潜台词。

像演员一样先读懂剧本

Octave 能够推测语句的语调、节奏和音色。比如当你给它一句显然是反讽的台词「行啊，咱们再开个会讨论下 Logo 颜色吧，这绝对是项目最需要的」，模型不会机械念字，而是自动带上冷嘲热讽的语调。

如果你输入一句极度惊恐抗拒的话，它也能直接模拟出强烈的厌恶与颤抖。换句话说，模型在生成语音前，会先像人类演员一样分析剧本里的剧情转折、情感线索和角色特征。

除了根据文本自适应，Octave 还支持 Voice Design 功能。用户可以用自然语言提示词凭空创造声音。不管是「带有 ASMR 质感、充满同理心的心理咨询师」，还是「声音低沉沙哑、操着伦敦腔的地精拍卖师」，模型都能生成对应的音色。

如果你甚至不输入任何角色设定，只贴入一段剧本，Octave 也会根据台词里的用词、代词和句式，自动推导出一个符合设定的声音并读出来。

单挑 ElevenLabs 评测

在功能上，Octave 提供了所谓的表演指令（Acting Instructions），可以让同一张声音按照指令随时切换情绪。同一句「你是认真的吗？」，可以被指挥成低声耳语、愤怒咆哮、痛苦震惊或者冷酷嫌弃。

模型目前输出 48kHz 高保真音频，平台内置了 60 多种预设声音，并上线了用于长音频创作的 Projects 界面。官方还透露，只需 5 秒音频的即时声音克隆功能将在未来几周内上线。

为了证明实力，Hume AI 组织了一场 180 人参与的双盲测试，直接对标行业标杆 ElevenLabs 的 Voice Design 功能。

在 120 组不同风格的测试提示词下，Octave 在音频质量上的胜率达到 71.6%，声音自然度胜率为 51.7%，在提示词贴合度（即声音是否符合设定描述）上的胜率为 57.7%。同时，Hume AI 还上线了一个公开评测平台 Expressive TTS Arena，希望把语音评测推向更关注表现力和长文本理解的方向。

为什么重要

传统的 TTS 赛道这几年卷的是清晰度和音色逼真，但在实际应用里，AI 朗读长故事或者播客时，那种毫无波澜的「AI 感」依然非常明显。游戏 NPC 配音、有声书制作和动画小样制作，往往需要专业调音师一个字一个字去调停顿和升降调，门槛非常高。

Hume 这次把大语言模型对语境的理解能力直接注入到语音生成底层，可以说找准了痛点。如果 AI 真的能读懂潜台词，内容创作者就不再需要花大量时间做后处理微调。独立游戏开发者甚至可以直接用纯文本生成情绪饱满的对话音频。

我们认为，这一步走得相当聪明。比起单纯堆砌高质量声音样本，赋予声音「懂语境」的能力才是拉开体验差距的关键。但隐患也同样存在：既然它极度依赖对上下文的推理，那么一旦模型对剧本潜台词产生了错误理解，生成的语气可能会显得更加滑稽和怪异。此外，ElevenLabs 等老牌选手在生态和开发者渗透率上护城河极深，Octave 能否在长文本稳定性和商业化成本上持续保持优势，还需要实际业务场景的检验。