ElevenLabs 推出生成式語音功能：憑空定製現實中不存在的人聲

大家都在看 ChatGPT 怎麼寫小作文、Midjourney 怎麼出圖，但如果你想給獨立遊戲裡的幾十個 NPC 找聲音，或者給有聲書挑一個獨家旁白，往往會卡在一個尷尬的境地：要麼去公用音庫裡和別人撞車，要麼花大錢請真人配音。

語音 AI 初創團隊 ElevenLabs 提出了另一個解法。他們宣佈推出一項全新的生成式聲音模型，允許使用者從零開始「設計」現實中根本不存在的全新人聲，這項功能將在 2 月以「Design Voice」的名字正式上線其 Voice Lab 平臺。

像捏臉一樣從零捏一把嗓子

以前我們接觸的 AI 語音，無非兩條路：要麼從官方給好的固定聲音列表裡選，要麼拿真人錄音做克隆。前者的毛病是容易撞車，幾百家播客聽起來都像同一個人；後者則存在版權和倫理風險，而且必須先有一段真實存在的音訊。

ElevenLabs 的做法更像是在聲音維度上「抽卡」。他們解構了原本用於語音合成與克隆的技術，從表徵聲音特徵的「說話人嵌入向量」（speaker embeddings）入手，訓練了一個專用模型直接從向量分佈中取樣。

說白了，系統把音色拆解成了幾個基礎控制維度。使用者只需要在介面上設定性別、年齡、口音、音調以及說話風格這幾項引數。有趣的是，即便你兩次選擇了完全一致的基礎引數，只要點一下生成，模型每次吐出來的都是一段獨一無二、此前從未在世界上出現過的合成聲音。

除了生成全新人聲，ElevenLabs 還透露了下一步規劃。他們打算把生成與克隆結合起來，讓使用者最佳化自己的真實聲音。比如你覺得自己錄音語氣太單調，AI 可以幫你增加起伏；如果你害怕面對麥克風，它還能幫你修飾得更加自然。

面對業內對 AI 搶配音員飯碗的擔憂，團隊也給出了態度。他們計劃推行聲音授權分成機制，讓配音演員通過出租聲音模型獲取收益。同時針對濫用風險，他們正在開發音訊水印技術，確保模型生成的所有聲音都能被追蹤溯源。

為什麼重要

我們認為，ElevenLabs 這一步走得相當狡猾，也切中了目前生成式音訊最大的痛點。

對普通創作者和獨立開發者來說，這是真正的生產力釋放。過去獨立遊戲開發者很難承擔全語音配音，大量 NPC 只能當「啞巴」；個人作者想把作品變成有聲書，也根本僱不起專業團隊。現在你不僅能低成本批次生成對白，還能確保這把聲音是你的專屬資產，不用擔心侵犯任何真人的肖像或聲音權。

對整個行業而言，這標誌著語音 AI 正在從傳統的「文本朗讀（TTS）」和「克隆」轉向真正的從無到有生成。以往廠商拼的是預置聲音有多逼真、聲音庫有多大，而 ElevenLabs 直接把選擇權扔給了使用者，把靜態聲音庫變成了無限生成的引數池，這會倒逼傳統語音合成方案迅速跟進生成化。

不過隱患同樣擺在眼前。雖然官方承諾了音訊水印和嚴格的防濫用條款，但音訊的傳播往往脫敏極快。一旦這些無限生成的合成聲音被用於詐騙或虛假資訊製作，溯源機制是否能經受住現實黑產的考驗，看起來還需要打一個大大的問號。