EVI 2 推出 Voice Control：不用克隆，拉滑條就能精細捏聲音

如果你聽多了各家 AI 助手的說話聲，大概早就審美疲勞了。無論換什麼名字，背景裡的音色來來回回就那幾種現成的預設聲，一開口就知道是機器。

想做點不一樣的，以往擺在開發者面前的就兩條路：要麼用提示詞碰運氣，讓它儘量顯得熱情一點；要麼冒著版權和濫用風險去克隆真人聲音，不僅耗時耗力，出來的效果還經常發飄。

主打情感識別與互動的 Hume AI 在 12 月 2 日給出了第三種解法。他們為自家的 Empathic Voice Interface 2 帶來了一個叫 Voice Control 的新工具，既不用克隆，也不靠提示詞抽卡，而是直接把聲音拆成十個滑塊讓你手動調節。

調聲音像調收音機均衡器

很多人其實很難用語言精確描述一個人的音色，但只要耳朵一聽，立刻就能分辨出來是熟人還是陌生人。文字在表達聲音微小情緒和質感時，天然存在瓶頸。

Voice Control 換了個思路，直接在基礎聲音上提供了十個可連續調節的感知維度。具體包括男女聲傾向、堅定度、輕快感、自信度、熱情度、鼻音感、放鬆度、平滑度、溫吞感以及緊繃感。

每個維度的調節範圍都在負 100 到 100 之間，預設值是 0。只要把所有引數保留在 0，聲音就是原本的基底音質；拉動滑塊，就能即時改變聽覺上的質感。

更關鍵的一點在於特徵解耦。在真實人聲中，自信往往伴隨著某種特定的緊繃感或平滑度，多個特徵通常混在一起。Hume AI 採用了一種新的無監督技術，儘量保證你拉高鼻音或者熱情度時，不會莫名其妙把別的聲音特質也連帶改掉。

目前這個功能已經上線了無程式碼測試平臺。開發者選好一個基底聲音，調好滑塊並即時試聽，確認效果後就能直接把配置釋出到接口裡，而且跨對話的表現相當穩定。不過官方也坦白，現在功能還在測試期，如果把幾個極端引數拉滿組合在一起，聲音質量暫時還做不到百分之百可靠。

為什麼重要

我們認為，Hume AI 這一步走得相當聰明，它精準切中了品牌方和獨立開發者最頭疼的定製痛點。

在商業場景裡，誰都不希望自己的客服或虛擬角色聽起來和競爭對手一模一樣，但企業又極其害怕聲音克隆帶來的倫理風險和法律糾紛。通過這種引數化的連續控制，團隊可以在幾秒鐘內捏出一個聽感獨特、符合品牌調性，卻在現實世界中完全不存在的專屬聲音，直接繞開了版權雷區。

對普通開發者來說，值不值得現在去試？答案是肯定的。過去用提示詞控制聲音情緒，最大的毛病是不可控和不可復現，這次對話語氣挺好，下次可能就打回原形。滑塊引數化直接賦予了聲音可復現的工程確定性，門檻低到了只需要動動手指試聽。

從行業競爭來看，這給單純靠預設音色庫賣 API 的大廠敲了警鐘。語音互動的競爭已經從聽得懂、說得清，演進到了音色個性與情緒表達的細膩程度。不過它的隱患也很現實：如果引數之間在極端值下依然會互相打架導致音質破損，那麼在一些高要求的商用嚴肅場景裡，團隊上線前依然需要耗費精力做嚴苛的人工邊界測試。