D-ID 聯手 ElevenLabs：為數字人影片接入高質量合成語音

做數字人影片最讓人出戲的瞬間，往往不是畫面不夠精細，而是人物一開口，聽起來依然像多年前呆板的電話客服導航。

數字人生成平臺 D-ID 宣佈與語音合成公司 ElevenLabs 達成合作，直接把後者的語音庫整合進自家的 Creative Reality 工作室。

這意味著創作者在 D-ID 裡做數字人時，不必再先去 ElevenLabs 調好音訊、下載檔案，再倒回 D-ID 上傳對口型了。

一鍵把頂級聲音塞進數字人

這次更新針對的是 D-ID 的 Pro 訂閱使用者。使用者在後臺上傳照片、選擇 AI 生成的人臉或者內建預設人物後，點一下滑鼠就能直接套用 ElevenLabs 的聲音。

首批接入的一共有 9 款 ElevenLabs 高階聲音。官方表示這些聲音在語氣重音、情感起伏和個性表達上，都比傳統機械讀稿要自然得多。

有意思的是，D-ID 前不久剛給演播室升級了一套微表情系統，支援嚴肅、開心、驚訝和中性 4 種情緒狀態。

現在聲音和表情湊到了一塊。當數字人換上驚訝或開心的表情時，配上 ElevenLabs 帶著對應語調起伏的朗讀，整體的木偶感確實被沖淡了不少。

拼圖式的 AI 工作流正在收攏

在此之前，其實已經有幾十萬使用者在自發把兩家的技術拼在一起用。大家往往是在 ElevenLabs 生成擬真語音，再丟給 D-ID 做驅動口型。

D-ID 聯合創始人兼 CEO Gil Perry 透露，目前他們的演播室平均每兩秒就會增加一名新訂閱者，平臺累計生成的影片已經超過 1.5 億條。

這家 2017 年成立的團隊，正在通過各種外掛把觸角伸得更遠，比如接入微軟 PowerPoint 和 Canva，支援 119 種語言的解說。

而 2022 年才成立的 ElevenLabs 擴張同樣很快。創始人當初是因為受不了波蘭老電影裡糟糕的配音才做這家公司的，如今他們的技術已經成了虛擬人配音的事實標準。

兩家把 API 互相打通，本質上就是把散落在各處的生成式 AI 工具整合成一個順手的工具箱。

為什麼重要

我們認為，這起合作最大的價值在於降低了中小創作者和營銷團隊的製作摩擦。

如果你的日常工作包含錄製內訓課件、出海營銷短影片或知識科普，以前拼湊工具的來回匯入匯出很耗時間，現在花一份訂閱的精力就能在單介面裡把人臉和聲音一起搞定，現在去試是合算的。

對整個行業來說，生成式 AI 單點工具的紅利期正在見底。只做人臉嘴型匹配或者只做聲音合成，都容易被工作流更順暢的平臺吃掉。

D-ID 和 ElevenLabs 這步棋走得很聰明，雙方沒有各自花高昂成本去重複造對方的輪子，而是通過生態繫結把行業標準卡住，直接壓縮了後來者的生存空間。

不過隱患也顯而易見。高質量的合成聲音加上逼真的面孔驅動，讓深度偽造影片的製作門檻從專業極客直接下放到了普通使用者手邊。隨著雙方在多語言和情緒表達上的進一步打通，兩家公司未來在內容溯源和防濫用稽核上的壓力只會越來越大。