Hume AI 釋出 Octave：懂語境的 TTS，能聽出諷刺與怒氣

大部分文本轉語音工具遇到的最大問題，其實不是聲音不像真人，而是它根本不知道自己在唸什麼。一段充滿諷刺意味的臺詞，傳統 TTS 往往會用四平八穩的播音腔讀完，瞬間讓人出戲。

Hume AI 在 2 月 26 日推出了名為 Octave 的文本轉語音模型。官方給它的定義是首個面向語音合成的語言大模型。它的核心思路不是機械地把文字拼成讀音，而是先去理解臺詞上下文裡的情緒、語氣和潛臺詞。

像演員一樣先讀懂劇本

Octave 能夠推測語句的語調、節奏和音色。比如當你給它一句顯然是反諷的臺詞「行啊，咱們再開個會討論下 Logo 顏色吧，這絕對是專案最需要的」，模型不會機械念字，而是自動帶上冷嘲熱諷的語調。

如果你輸入一句極度驚恐抗拒的話，它也能直接模擬出強烈的厭惡與顫抖。換句話說，模型在生成語音前，會先像人類演員一樣分析劇本里的劇情轉折、情感線索和角色特徵。

除了根據文本自適應，Octave 還支援 Voice Design 功能。使用者可以用自然語言提示詞憑空創造聲音。不管是「帶有 ASMR 質感、充滿同理心的心理諮詢師」，還是「聲音低沉沙啞、操著倫敦腔的地精拍賣師」，模型都能生成對應的音色。

如果你甚至不輸入任何角色設定，只貼入一段劇本，Octave 也會根據臺詞裡的用詞、代詞和句式，自動推匯出一個符合設定的聲音並讀出來。

單挑 ElevenLabs 評測

在功能上，Octave 提供了所謂的表演指令（Acting Instructions），可以讓同一張聲音按照指令隨時切換情緒。同一句「你是認真的嗎？」，可以被指揮成低聲耳語、憤怒咆哮、痛苦震驚或者冷酷嫌棄。

模型目前輸出 48kHz 高保真音訊，平臺內建了 60 多種預設聲音，並上線了用於長音訊創作的 Projects 介面。官方還透露，只需 5 秒音訊的即時聲音克隆功能將在未來幾週內上線。

為了證明實力，Hume AI 組織了一場 180 人參與的雙盲測試，直接對標行業標杆 ElevenLabs 的 Voice Design 功能。

在 120 組不同風格的測試提示詞下，Octave 在音訊質量上的勝率達到 71.6%，聲音自然度勝率為 51.7%，在提示詞貼合度（即聲音是否符合設定描述）上的勝率為 57.7%。同時，Hume AI 還上線了一個公開評測平臺 Expressive TTS Arena，希望把語音評測推向更關注表現力和長文本理解的方向。

為什麼重要

傳統的 TTS 賽道這幾年卷的是清晰度和音色逼真，但在實際應用裡，AI 朗讀長故事或者播客時，那種毫無波瀾的「AI 感」依然非常明顯。遊戲 NPC 配音、有聲書製作和動畫小樣製作，往往需要專業調音師一個字一個字去調停頓和升降調，門檻非常高。

Hume 這次把大語言模型對語境的理解能力直接注入到語音生成底層，可以說找準了痛點。如果 AI 真的能讀懂潛臺詞，內容創作者就不再需要花大量時間做後處理微調。獨立遊戲開發者甚至可以直接用純文本生成情緒飽滿的對話音訊。

我們認為，這一步走得相當聰明。比起單純堆砌高質量聲音樣本，賦予聲音「懂語境」的能力才是拉開體驗差距的關鍵。但隱患也同樣存在：既然它極度依賴對上下文的推理，那麼一旦模型對劇本潛臺詞產生了錯誤理解，生成的語氣可能會顯得更加滑稽和怪異。此外，ElevenLabs 等老牌選手在生態和開發者滲透率上護城河極深，Octave 能否在長文本穩定性和商業化成本上持續保持優勢，還需要實際業務場景的檢驗。