Hume 推出 Voice Control：用 10 個滑塊捏出專屬 AI 聲音

現在大家做語音應用，最尷尬的事情之一就是「撞聲」。幾大模型廠商自帶的那幾副預設嗓音，聽多了誰都能認出來；想換掉它們，通常只有兩條路：要麼用文字 prompt 碰運氣，寫半天「溫和中帶點堅定」也不見得調得準；要麼直接搞聲音克隆，但錄音版權和倫理風險又讓人頭疼。

Hume AI 想換一種解法。11 月 27 日，這家專注情緒語音的公司為旗下的 Empathic Voice Interface 2（EVI 2）上線了一個名為 Voice Control 的測試功能。說白了，他們把 AI 說話的聲音拆成了 10 個視覺化滑塊，開發者動動滑鼠就能捏出一副專屬嗓音。

調音就像拉均衡器

Hume 認為，人類對聲音特徵的感知極其微妙，很多感覺根本沒法用語言準確描述，就像你很難向陌生人形容好朋友的聲音，但一聽到就能立刻認出來。文字 prompt 在這種細微體驗面前，天然就隔著一層損耗。

這次他們開放的 10 個控制維度很具體，包括「男性化/女性化」、「魄力（assertiveness）」、「輕快感（buoyancy）」、「自信度」、「熱情度」、「鼻音感（nasality）」、「放鬆度」、「平滑度」、「冷淡度（tepidity）」和「緊繃度（tightness）」。

在無程式碼 Playground 裡，每個維度的取值範圍都是 -100 到 100，預設值是 0。使用者先挑一個基礎底模，再在這 10 個維度上連續拉動滑塊，系統會即時生成預覽。

技術上最難的一步其實是「特徵解耦」。在真人發聲時，很多聲音特質是交織在一起的，比如聲音變大往往伴隨著緊繃感。Hume 採用了一種無監督方法，讓修改某一個引數時儘量不干擾其他特質，從而保證每次調整在不同對話之間都是可復現、穩定的。

不過官方也提醒，這項功能目前還是 Beta 測試版。如果把好幾個引數拉到極端數值，生成音質目前還做不到 100% 絕對可靠，團隊仍在最佳化極端組合下的穩定性。

為什麼重要

我們認為，Voice Control 這步棋走得非常聰明。以往做定製語音，大家都在卷聲音克隆，但這在企業級應用裡往往是個雷區：你用誰的聲音訓練？合規授權搞定了沒有？深度偽造怎麼防？Hume 繞開了克隆現實中具體真人的做法，把重點放在合成聲音的感知調節上，既避開了版權與仿冒風險，又給品牌留出了打造獨特辨識度的空間。

對開發者和產品經理來說，這種無程式碼滑塊讓聲音設計的門檻驟降。如果你在做陪伴類硬體、AI 客服或者遊戲 NPC，現在不需要調參工程師或者反覆抽卡試提示詞，只要在後臺拖動滑塊，幾秒鐘就能即時聽到變化，而且調出來的聲音配置可以在 EVI 系統裡直接呼叫，保證每次對話的一致性。

從行業競爭來看，其他語音大模型還在依賴簡單的音色預設或純文本 Prompt 引導，Hume 這種引數化的可解釋性控制方式，可能會倒逼其他語音提供商跟進。不過，它的隱患在於極端引數下的音質失真，以及 10 個維度是否足夠覆蓋所有複雜的擬真場景。如果你正在尋找免受侵權爭議、又不想和別人「撞聲」的即時對話聲音，現在去 Hume 的後臺試玩一下，是個價效比很高的選擇。