Hume AI 釋出 Octave 2：延遲低於 200 毫秒，價格砍半支援 11 種語言

很多 AI 語音工具還在比拼誰的聲音更像真人，但做情感 AI 起家的 Hume 已經開始琢磨怎麼讓 AI 演戲，甚至允許你像修圖一樣去修改聲音的最小單位了。

Hume 宣佈推出第二代前沿文本轉語音模型 Octave 2，目前已經在其官方平臺和 API 開放預覽測試。

15 秒克隆、帶口音切換，還能修音素

新模型支援 11 種語言，包括阿拉伯語、英語、法語、德語、印地語、義大利語、日語、韓語、葡萄牙語、俄語和西班牙語。團隊還表示，未來幾個月會把支援語言擴大到至少 20 種。

只要一段 15 秒的原聲錄音，Octave 2 就能完成即時聲音克隆。有趣的是，當你讓克隆聲音說另一種語言時，模型還會預測並保留說話人本身的母語口音。

這次最惹人注目的功能是聲音轉換和直接音素編輯。聲音轉換可以在保留原音訊所有發音細節和節奏停頓的前提下，把音色換成另一個人，這在多語言譯配或者演員替身補錄時非常有用。

音素編輯則更細緻。如果你覺得某個專有名詞讀錯了，或者想調整某個詞的重音，可以直接在音素層面微調，甚至可以用現有音素拼出一個原文本里沒有的新詞。不過，這兩項編輯功能目前還是即將上線的狀態。

延遲壓進 200 毫秒，價格砍掉一半

在生成效能上，Octave 2 的音訊生成時間壓縮到了 200 毫秒以內，整體速度比一代快了 40%。針對罕見詞、重複詞、數字和符號的發音也做了專門最佳化。

為了兼顧質量和極低延遲，Hume 找來了 SambaNova 合作，針對新架構定製了一套專用的推理技術棧，直接部署在先進推理晶片上。

速度變快的同時，呼叫價格直接腰斬。官方給出的資料是隻有一代的一半，如果採用獨立專屬部署，每分鐘音訊的成本可以降到 1 美分以下。

配合這次釋出，Hume 還推出了 EVI 4 mini，把 Octave 2 的能力引入到了語音到語音 API 中。不過它目前還不能原生生成文字內容，開發者接入時必須外掛一個通用大語言模型。

為什麼重要

對於影視譯配、遊戲配音和內容創作者來說，以往用 AI 配音最頭疼的就是多音字抽卡，或者重音放錯位置必須整段重新生成。音素編輯把對 AI 語音的控制精度拉到了畫素級別，我們認為這是它最聰明的一步棋，讓工具真正具備了工業製作的可控性。

在商業落地層面，延遲壓到 200 毫秒且每分鐘成本壓到 1 美分以下，直接擊穿了即時語音代理的規模化門檻。這會給 ElevenLabs 等主打高質量擬真配音的對手帶來直接壓力，逼著行業在拼音質的同時必須解決高併發下的延遲與算力成本。

但它的隱患也同樣明顯。首先是聲音轉換與口音克隆技術的普及，必然會讓深度偽造的鑑偽難度再次升高。另一方面，EVI 4 mini 目前還需要外掛外部模型才能完成對話，看起來說明 Hume 在端到端一體化大模型的全能能力上，依然還在補課和過渡。