Hume AI 推出 EVI 3：一句提示詞，任意聲音和性格隨你定製

如果你和主流的語音 AI 聊過天，應該很熟悉那種機械感：哪怕聲音聽起來再甜美，只要你一打斷，它就會卡殼一秒，或者永遠用同一種毫無波瀾的播音腔回答你。

專注於情緒智慧的初創公司 Hume AI 剛剛釋出了第三代語音大模型 EVI 3。他們宣稱這是目前最擬真、最聽話的端到端語音大模型。說白了，它不再是傳統的把語音轉成文字、扔給大模型思考、再把文字合成語音的三段式架構，而是由同一個模型端到端直接理解語音並生成語音。

像海盜一樣耳語，還能聽出你生沒生氣

傳統的語音模型往往只有幾個官方預設的聲音，性格也十分刻板。EVI 3 的最大變化之一，是允許你單靠一段提示詞，當場塑造出任何聲音和性格。

Hume 官方表示，其平臺上現有的 10 萬多種自定義聲音都可以直接使用，並且能推斷出對應的性格特徵。更關鍵的是對情感和語氣風格的控制能力。在測試中，系統能即時切換 30 種不同的情緒和說話風格，從氣喘吁吁、嘲諷、耳語，到像海盜一樣說話或者假裝自己在看一幅名畫，都能隨時切換。

除了會表達，它還能聽出言外之意。即使使用者用一模一樣的詞句發問，只要語調、節奏和音色變了，EVI 3 也能捕捉到背後的情緒。在針對害怕、憤怒、痛苦、驚喜等 9 種特定情緒的盲測中，參與者給 EVI 3 在情緒識別準確度和回答自然度上的打分，都高於 OpenAI 的 GPT-4o。

在與 GPT-4o 的雙盲對話評測裡，無論是共情力、表現力、聲音質感，還是面對打斷時的反應速度，參與者平均都把更高的票投給了 EVI 3。

邊說話邊搜尋，實際延遲壓到 1.2 秒

語音互動最怕冷場。官方稱在頂級硬體配置下，EVI 3 的理論響應延遲可以做到 300 毫秒以內。

不過在真實網路環境下，表現會有所折損。Hume 在紐約辦公室實測部署在美國西海岸的系統，EVI 3 網頁端的實際延遲大約在 0.9 到 1.4 秒之間，平均約為 1.2 秒。作為對比，他們測出的 GPT-4o 即時 API 延遲在 2.5 到 3.1 秒，Gemini Live API 平均在 1.5 秒左右。

與此同時，EVI 3 採用了所謂的快思考與慢思考架構。它在即時開口回應的同時，還能在後臺與更深度的推理模型互動，或者調取網頁搜尋。這讓它既能保持聊天的流利和語速，又不至於在複雜知識上胡說八道。

目前普通使用者已經可以在 Hume 的網頁 Demo 和 iOS 客戶端上試用 EVI 3。官方表示開發者 API 會在接下來幾週內上線，模型後續還會強化法語、德語、義大利語和西班牙語等多語言能力。

為什麼重要

我們認為，EVI 3 標誌著語音 AI 正在從功能型助理，正式轉向具有擬人社交屬性的互動主體。

對於做陪伴類產品、虛擬角色或語言教育的團隊來說，現在就值得去網頁端上手試試。以往為了讓聲音有戲，開發者必須花大價錢定製聲音模型，還得用複雜的規則拼接情感標記。現在一句話提示詞就能搞定角色性格，門檻被大幅拉低。不過如果是嚴肅的客服場景，過度外露的情緒可能反而會增加溝通成本，它的最佳舞臺依然是娛樂與情感陪伴。

從行業競爭來看，這給 OpenAI 和 Google 提了個醒。大廠的多模態往往追求全能，但在語音這根細分賽道上，語氣微調、情緒共鳴和抗打斷體驗，恰恰是決定使用者願不願意長期聊下去的關鍵細節。專攻情緒感知的垂直廠商，完全有機會在大廠的通用底座夾縫中建立起體驗壁壘。

當然，隱患也顯而易見。過度逼真的情緒表達和聲音生成能力，不可避免會加劇深度偽造與情感欺詐的風險。如果一個人造聲音在電話裡帶著哭腔向你求助，普通人極難辨別真偽。在情緒合成越來越像真人的同時，安全防護的擔子看起來只會更重。