Voicemod 獲 1450 萬美元融資：要給每個人做即時 AI「聲音濾鏡」

現在接起一通語音電話，你可能真得先問一句：這真是你自己的聲音嗎？

主打變聲和音訊特效的西班牙團隊 Voicemod，剛剛拿到了 1450 萬美元的擴張輪融資。這家成立於 2014 年的公司，桌面端下載量已經突破 4000 萬次，月活躍使用者達到 330 萬。本輪融資由馬德里風投 Kfund 旗下的 Leadwind 領投，Discord 前首席營銷官創立的 Minifund 和 Bitkraft Ventures 參投。

過去近十年裡，Voicemod 乾的事情本質上是數字訊號處理（DSP），說白了就是給玩家遊戲開黑時加點機器人音效、做個搞怪聲音表情。但現在，他們要藉著生成式 AI，把變聲這件事從「加濾鏡」徹底變成「換張臉」。

聲音也能一鍵換裝

以前做變聲，是在你原本的聲音上疊效果，比如把聲調調高或者加點回音。生成式 AI 帶來的改變是，系統可以直接生成一套完全合成的聲音，讓你即時「穿」在身上。

就像你在社交平臺上套一個面部濾鏡，或者用 AI 搞換臉一樣。在 Voicemod 的設想裡，使用者不僅能用完全虛構的聲音說話，還能直接套用某個名人的聲音去唱歌。

這叫唱轉換（sing-to-sing）。你在家吼一嗓子，AI 能在毫秒級延遲內把你輸出的聲音變成搖滾傳奇 Freddie Mercury。如果手頭模型夠多，你一個人甚至能包攬皇后樂隊主唱和吉他手的不同聲部。

去年他們收購了音訊團隊 Voctro Labs，後者此前曾幫音樂人 Holly Herndon 打造過出圈的 AI 聲線分身。兩家技術融合後，Voicemod 去年 12 月上線了由文本生成歌聲的 text-to-song 功能，而更具殺傷力的即時唱轉換也已經在路上。

除了給普通玩家和創作者做工具，Voicemod 還通過 SDK 和 API 把這些能力賣給遊戲、應用和硬體廠商，打算把自己的聲音引擎塞進整個遊戲社交生態裡。

靈魂還是得靠真人給

聲音都能隨意克隆了，配音演員和聲學工程師會不會丟飯碗？Voicemod 聯合創始人兼 CEO Jamie Bosch 覺得暫時不用太恐慌。

在他看來，單純的模型克隆出來的聲音往往是沒有靈魂的，缺乏情緒起伏和語氣節奏。你就算套上名人的聲線，如果說話時毫無感情，聽起來依然像個蹩腳的假人。人類的語調、停頓和表演感，依然是聲音表達的核心。

不過，隨著這項技術普及，麻煩事也隨之而來。最直接的隱患是身份冒用，比如銀行近幾年大力推廣的「聲紋密碼」，在即時聲音克隆面前可能很快就會變成馬蜂窩。

為什麼重要

我們認為，Voicemod 這次融資和轉型，標誌著即時變聲工具正從「小眾惡搞玩具」變成底層表達套件。

對普通使用者和內容創作者來說，門檻被徹底打碎了。短影片作者不用再為配音配樂發愁，普通人連音準都不需要有，哼兩句就能靠 AI 生成一段能聽的歌聲，甚至在遠端開會時給自己套一層「聲音美妝」。但如果你現在想用它做高精度的專業音樂製作，現階段的偽影和延遲可能還不太夠看。

對行業而言，Voicemod 的聰明之處在於它原本就坐擁 330 萬月活遊戲玩家，它沒有像很多新 AI 團隊那樣從零找場景，而是把 AI 塞進現有的遊戲開黑和直播管道里，順便用 SDK 繫結上下游硬體和軟體廠商。

隱患在於安全防線的瓦解。即時語音變換一旦氾濫，聲紋驗證會徹底失效，電信詐騙的識別難度也會成倍上升。看起來，在聲音世界裡，我們馬上也要經歷一遍圖文領域經歷過的真假難辨了。