Hume 推出 Voice Control：用 10 个滑块捏出专属 AI 声音

现在大家做语音应用，最尴尬的事情之一就是「撞声」。几大模型厂商自带的那几副预设嗓音，听多了谁都能认出来；想换掉它们，通常只有两条路：要么用文字 prompt 碰运气，写半天「温和中带点坚定」也不见得调得准；要么直接搞声音克隆，但录音版权和伦理风险又让人头疼。

Hume AI 想换一种解法。11 月 27 日，这家专注情绪语音的公司为旗下的 Empathic Voice Interface 2（EVI 2）上线了一个名为 Voice Control 的测试功能。说白了，他们把 AI 说话的声音拆成了 10 个可视化滑块，开发者动动鼠标就能捏出一副专属嗓音。

调音就像拉均衡器

Hume 认为，人类对声音特征的感知极其微妙，很多感觉根本没法用语言准确描述，就像你很难向陌生人形容好朋友的声音，但一听到就能立刻认出来。文字 prompt 在这种细微体验面前，天然就隔着一层损耗。

这次他们开放的 10 个控制维度很具体，包括「男性化/女性化」、「魄力（assertiveness）」、「轻快感（buoyancy）」、「自信度」、「热情度」、「鼻音感（nasality）」、「放松度」、「平滑度」、「冷淡度（tepidity）」和「紧绷度（tightness）」。

在无代码 Playground 里，每个维度的取值范围都是 -100 到 100，默认值是 0。用户先挑一个基础底模，再在这 10 个维度上连续拉动滑块，系统会实时生成预览。

技术上最难的一步其实是「特征解耦」。在真人发声时，很多声音特质是交织在一起的，比如声音变大往往伴随着紧绷感。Hume 采用了一种无监督方法，让修改某一个参数时尽量不干扰其他特质，从而保证每次调整在不同对话之间都是可复现、稳定的。

不过官方也提醒，这项功能目前还是 Beta 测试版。如果把好几个参数拉到极端数值，生成音质目前还做不到 100% 绝对可靠，团队仍在优化极端组合下的稳定性。

为什么重要

我们认为，Voice Control 这步棋走得非常聪明。以往做定制语音，大家都在卷声音克隆，但这在企业级应用里往往是个雷区：你用谁的声音训练？合规授权搞定了没有？深度伪造怎么防？Hume 绕开了克隆现实中具体真人的做法，把重点放在合成声音的感知调节上，既避开了版权与仿冒风险，又给品牌留出了打造独特辨识度的空间。

对开发者和产品经理来说，这种无代码滑块让声音设计的门槛骤降。如果你在做陪伴类硬件、AI 客服或者游戏 NPC，现在不需要调参工程师或者反复抽卡试提示词，只要在后台拖动滑块，几秒钟就能实时听到变化，而且调出来的声音配置可以在 EVI 系统里直接调用，保证每次对话的一致性。

从行业竞争来看，其他语音大模型还在依赖简单的音色预设或纯文本 Prompt 引导，Hume 这种参数化的可解释性控制方式，可能会倒逼其他语音提供商跟进。不过，它的隐患在于极端参数下的音质失真，以及 10 个维度是否足够覆盖所有复杂的拟真场景。如果你正在寻找免受侵权争议、又不想和别人「撞声」的实时对话声音，现在去 Hume 的后台试玩一下，是个性价比很高的选择。