Spotify 被曝研發 AI 口播廣告：克隆主播聲音，不用本人錄音

播客裡最值錢的向來是主播口播廣告，因為聽著像朋友真誠安利，轉化率比硬廣高得多。但要是以後主播根本沒張嘴，全是 AI 替他念的呢？

根據 Semafor 最先報道，The Ringer 創始人 Bill Simmons 最近在自己的播客裡說漏了嘴。他透露 Spotify 正在研發一項新技術，能直接用主播的聲音生成口播廣告，主播本人甚至不用親自看一眼文案，也不用進錄音室。

Simmons 在 2020 年把 The Ringer 賣給了 Spotify。他在節目裡先打預防針說「我覺得 Spotify 應該不會怪我爆料」，隨後表示，主播只要授權自己的聲音，就能解鎖巨大的廣告新玩法。比如主播的聲音可以用在不同城市的定向廣告裡，甚至能直接用外語向海外聽眾賣貨。

官方打太極，但底牌早就亮了

面對媒體求證，Spotify 既沒承認也沒否認。官方發言人表示廣告是一個有趣的探索方向，目前沒有任何可以宣佈的，但順帶提了一句：過去一個月裡，平臺上討論 AI 的播客單集數量暴增了 500%。

這種含糊其辭在業內看來基本就是預設。事實上，Spotify 手裡早就攢足了做聲音克隆的籌碼。

它在 2022 年收購了語音合成初創公司 Sonantic，結合 OpenAI 的大模型能力，已經在應用裡推出了 AI DJ。當時擔任聲源的 Spotify 高管 Xavier Jernigan 在錄音棚裡錄製了大量包含呼吸、停頓、不同語氣的內容，甚至保留了他習慣用的黑話口頭禪。

目前 Spotify 內部有數百人的團隊專門研究個性化推薦與機器學習。既然能用技術克隆出能聊天的 AI DJ，把這套流程標準化、拿現成的播客音訊訓練主播聲音，在技術上完全順理成章。

為什麼重要

我們認為，Spotify 想做的事，本質上是在給播客行業最貴、也最難規模化的資產加槓桿。

主播親口唸的廣告效果最好，但它天生有產能瓶頸：主播不可能為一個只在西雅圖賣票的音樂會單獨錄一條廣告，更不可能為了全球聽眾去錄八門外語。如果用 AI 把聲音解綁，廣告主就能按聽眾所在的城市、語言做精細化投放，主播躺著就能分到更多廣告費。

但這裡的隱患也非常明顯。口播廣告之所以轉化率高，核心在於聽眾對主播的個人信任。一旦聽眾發現主播連推薦的產品見都沒見過，背書全靠演算法合成，這種信任感很快會被消耗殆盡。早年 Google Duplex 替人打電話訂餐就因為沒說明是機器而挨批，Spotify 如果不在廣告裡打上極其醒目的 AI 標識，翻車的風險很大。

對整個音訊流媒體行業來說，Spotify 正在試圖拉開與蘋果等對手的商業化差距。如果這項技術跑通，播客將從傳統的手工作坊式接單，徹底轉向自動化程式化廣告時代。