Voicemod 获 1450 万美元融资：要给每个人做实时 AI「声音滤镜」

现在接起一通语音电话，你可能真得先问一句：这真是你自己的声音吗？

主打变声和音频特效的西班牙团队 Voicemod，刚刚拿到了 1450 万美元的扩张轮融资。这家成立于 2014 年的公司，桌面端下载量已经突破 4000 万次，月活跃用户达到 330 万。本轮融资由马德里风投 Kfund 旗下的 Leadwind 领投，Discord 前首席营销官创立的 Minifund 和 Bitkraft Ventures 参投。

过去近十年里，Voicemod 干的事情本质上是数字信号处理（DSP），说白了就是给玩家游戏开黑时加点机器人音效、做个搞怪声音表情。但现在，他们要借着生成式 AI，把变声这件事从「加滤镜」彻底变成「换张脸」。

声音也能一键换装

以前做变声，是在你原本的声音上叠效果，比如把声调调高或者加点回音。生成式 AI 带来的改变是，系统可以直接生成一套完全合成的声音，让你实时「穿」在身上。

就像你在社交平台上套一个面部滤镜，或者用 AI 搞换脸一样。在 Voicemod 的设想里，用户不仅能用完全虚构的声音说话，还能直接套用某个名人的声音去唱歌。

这叫唱转换（sing-to-sing）。你在家吼一嗓子，AI 能在毫秒级延迟内把你输出的声音变成摇滚传奇 Freddie Mercury。如果手头模型够多，你一个人甚至能包揽皇后乐队主唱和吉他手的不同声部。

去年他们收购了音频团队 Voctro Labs，后者此前曾帮音乐人 Holly Herndon 打造过出圈的 AI 声线分身。两家技术融合后，Voicemod 去年 12 月上线了由文本生成歌声的 text-to-song 功能，而更具杀伤力的实时唱转换也已经在路上。

除了给普通玩家和创作者做工具，Voicemod 还通过 SDK 和 API 把这些能力卖给游戏、应用和硬件厂商，打算把自己的声音引擎塞进整个游戏社交生态里。

灵魂还是得靠真人给

声音都能随意克隆了，配音演员和声学工程师会不会丢饭碗？Voicemod 联合创始人兼 CEO Jamie Bosch 觉得暂时不用太恐慌。

在他看来，单纯的模型克隆出来的声音往往是没有灵魂的，缺乏情绪起伏和语气节奏。你就算套上名人的声线，如果说话时毫无感情，听起来依然像个蹩脚的假人。人类的语调、停顿和表演感，依然是声音表达的核心。

不过，随着这项技术普及，麻烦事也随之而来。最直接的隐患是身份冒用，比如银行近几年大力推广的「声纹密码」，在实时声音克隆面前可能很快就会变成马蜂窝。

为什么重要

我们认为，Voicemod 这次融资和转型，标志着实时变声工具正从「小众恶搞玩具」变成底层表达套件。

对普通用户和内容创作者来说，门槛被彻底打碎了。短视频作者不用再为配音配乐发愁，普通人连音准都不需要有，哼两句就能靠 AI 生成一段能听的歌声，甚至在远程开会时给自己套一层「声音美妆」。但如果你现在想用它做高精度的专业音乐制作，现阶段的伪影和延迟可能还不太够看。

对行业而言，Voicemod 的聪明之处在于它原本就坐拥 330 万月活游戏玩家，它没有像很多新 AI 团队那样从零找场景，而是把 AI 塞进现有的游戏开黑和直播管道里，顺便用 SDK 绑定上下游硬件和软件厂商。

隐患在于安全防线的瓦解。实时语音变换一旦泛滥，声纹验证会彻底失效，电信诈骗的识别难度也会成倍上升。看起来，在声音世界里，我们马上也要经历一遍图文领域经历过的真假难辨了。