前DeepMind大佬创业，做出喜怒哀乐以假乱真的AI语音大模型！美国情感智能技术AI创企Hume AI于2月27日发布了新款文生语音大模型Octave。该模型可以根据用户输入的提示词或剧本，生成具有人设特点、语调起伏和情感色彩的AI语音，并允许用户通过文本指令进行二次调整和创作。Hume AI由DeepMind前研究员Alan Cowen于2021年创立，最近一轮融资后估值为2.19亿美元。

Alan Cowen在接受VentureBeat视频电话采访时介绍，Octave能够理解上下文中的词汇，并预测适当的情绪、节奏、韵律和重音，使AI语音听起来更加人性化。相比过去机械化的AI语音，Octave旨在让AI语音更有人情味。这些AI语音不仅带有愤怒、悲伤或快乐等情绪，还能将多种情感交织在一起，例如“夹杂着幽默或恼怒的轻度沮丧”。Cowen认为，该模型适合用于有声读物、播客、视频画外音和视频游戏角色配音。

Hume AI在社交媒体平台X上详细说明了Octave的具体功能和训练过程。据透露，用于训练Octave的语言数据是传统文生语音大模型的1000倍，这使得Octave能够像人类演员一样理解剧本，并使用更逼真的情感、语义、节奏、词语和重音。其训练数据中包含了数百万小时的公开长篇语音数据和Hume AI独家采集的声音、视频数据。除了文生语音大模型，Hume AI还在利用Octave训练AI系统，以更好地预判用户的AI语音生成需求。

在一项人类评审盲测的对比实验中，Octave的输出在音质、自然度以及语音生成与预期描述匹配度等方面均优于ElevenLabs，表明其AI语音生成过程的可控性和质量高于行业水准。在推出Octave之前，Hume AI已推出了两代自研的同理心语音界面（EVI），声称EVI是第一个具有情商的对话式AI。

当前首发版本的Octave主要支持英语，其次是西班牙语，未来可能还会上线更多语种。该模型在Hume AI开发者平台上的使用强度有一定限制，现支持的音频格式有MP3、WAV和PCM。

Octave不仅支持生成带有人设和人类情感色彩的AI语音，还将推出语音克隆功能。该模型不仅能理解单个句子内的情感，还能捕捉上下文之间的情感联系，从而更具表达力和细节度。Octave能够解析剧本或提示词中的情节转折、情感暗示和角色特征，并将其转化为自然带感情的语音，听起来就像演员在朗读剧本一样。

基于提示词或剧本，Octave能够生成各种设定的AI语音。它会自动解析一段文字内容的含义和风格，包括人称代词、简称、用词等，从而生成与角色相符的连贯语音内容。用户还可以通过具体的角色描述来引导Octave，例如特定口音、人设特征、职业角色等。此外，用户可以选择跳过语音设计功能，直接在Playground上即时生成语音。

Octave还支持表演指令功能，可以基于现有语音类型，进一步用指定的情感或说话风格来朗读新剧本。Hume AI表示，只需一段5秒的音频，Octave就能快速克隆出其语音，但出于安全考虑，涉及较为逼真的孩童语音和特定人物的模仿语音将受限。

Octave现已在platform.hume.ai平台和Hume AI的API上线。在线平台上，创作者和开发者可以使用语音设计、表演指令、超过40种预设语音的语音库以及用于生成有声书、播客等长篇内容的项目界面（预览版）。而在开发者平台上，Octave可通过Python和TypeScript SDK访问，这些SDK处理身份验证并提供类型化接口，确保集成的可靠性。其命令行界面支持快速原型设计、测试及从终端批量处理。

目前，Hume AI的API允许开发人员每分钟对Octave模型发出最多50次请求，文本长度上限为5000个字符，描述上限为1000个字符。每个请求最多可生成5个输出，支持的音频格式包括MP3、WAV和PCM。

Hume AI对Octave进行了内部评估，将其与业内领先的AI文生语音大模型ElevenLabs进行对比。基准测试包含120个多样化语音描述的样本，结果显示，Octave在音质、自然度以及提示词匹配度方面均略胜一筹。

Hume AI目前采用订阅制收费方式，分为免费、Creator、Creator Pro和Enterprise四大类。免费版每月提供1万个字符的文本转语音，总时长约10分钟；入门版每月3美元，提供3万个字符，总时长约30分钟；Creator版每月10美元，提供10万个字符，总时长约100分钟；专业版每月50美元，提供50万个字符，总时长约500分钟。规模、商业和企业级接入使用收费标准则有所不同。

Hume AI的新文生语音大模型Octave及其情感智能语音技术有望解决长期以来AI语音应答机械、语调生硬、音色千篇一律的问题，使人机语音交互更接近人与人之间的沟通。同时，Octave也可以为影视、视听、新媒体、数字人等多个行业产出定制化配音，加速AI语音的商业化落地。(责任编辑：卢其龙 CN070)