前DeepMind大佬創(chuàng)業(yè)，做出喜怒哀樂以假亂真的AI語音大模型！美國情感智能技術(shù)AI創(chuàng)企Hume AI于2月27日發(fā)布了新款文生語音大模型Octave。該模型可以根據(jù)用戶輸入的提示詞或劇本，生成具有人設(shè)特點、語調(diào)起伏和情感色彩的AI語音，并允許用戶通過文本指令進行二次調(diào)整和創(chuàng)作。Hume AI由DeepMind前研究員Alan Cowen于2021年創(chuàng)立，最近一輪融資后估值為2.19億美元。

Alan Cowen在接受VentureBeat視頻電話采訪時介紹，Octave能夠理解上下文中的詞匯，并預(yù)測適當(dāng)?shù)那榫w、節(jié)奏、韻律和重音，使AI語音聽起來更加人性化。相比過去機械化的AI語音，Octave旨在讓AI語音更有人情味。這些AI語音不僅帶有憤怒、悲傷或快樂等情緒，還能將多種情感交織在一起，例如“夾雜著幽默或惱怒的輕度沮喪”。Cowen認(rèn)為，該模型適合用于有聲讀物、播客、視頻畫外音和視頻游戲角色配音。

Hume AI在社交媒體平臺X上詳細說明了Octave的具體功能和訓(xùn)練過程。據(jù)透露，用于訓(xùn)練Octave的語言數(shù)據(jù)是傳統(tǒng)文生語音大模型的1000倍，這使得Octave能夠像人類演員一樣理解劇本，并使用更逼真的情感、語義、節(jié)奏、詞語和重音。其訓(xùn)練數(shù)據(jù)中包含了數(shù)百萬小時的公開長篇語音數(shù)據(jù)和Hume AI獨家采集的聲音、視頻數(shù)據(jù)。除了文生語音大模型，Hume AI還在利用Octave訓(xùn)練AI系統(tǒng)，以更好地預(yù)判用戶的AI語音生成需求。

在一項人類評審盲測的對比實驗中，Octave的輸出在音質(zhì)、自然度以及語音生成與預(yù)期描述匹配度等方面均優(yōu)于ElevenLabs，表明其AI語音生成過程的可控性和質(zhì)量高于行業(yè)水準(zhǔn)。在推出Octave之前，Hume AI已推出了兩代自研的同理心語音界面（EVI），聲稱EVI是第一個具有情商的對話式AI。

當(dāng)前首發(fā)版本的Octave主要支持英語，其次是西班牙語，未來可能還會上線更多語種。該模型在Hume AI開發(fā)者平臺上的使用強度有一定限制，現(xiàn)支持的音頻格式有MP3、WAV和PCM。

Octave不僅支持生成帶有人設(shè)和人類情感色彩的AI語音，還將推出語音克隆功能。該模型不僅能理解單個句子內(nèi)的情感，還能捕捉上下文之間的情感聯(lián)系，從而更具表達力和細節(jié)度。Octave能夠解析劇本或提示詞中的情節(jié)轉(zhuǎn)折、情感暗示和角色特征，并將其轉(zhuǎn)化為自然帶感情的語音，聽起來就像演員在朗讀劇本一樣。

基于提示詞或劇本，Octave能夠生成各種設(shè)定的AI語音。它會自動解析一段文字內(nèi)容的含義和風(fēng)格，包括人稱代詞、簡稱、用詞等，從而生成與角色相符的連貫語音內(nèi)容。用戶還可以通過具體的角色描述來引導(dǎo)Octave，例如特定口音、人設(shè)特征、職業(yè)角色等。此外，用戶可以選擇跳過語音設(shè)計功能，直接在Playground上即時生成語音。

Octave還支持表演指令功能，可以基于現(xiàn)有語音類型，進一步用指定的情感或說話風(fēng)格來朗讀新劇本。Hume AI表示，只需一段5秒的音頻，Octave就能快速克隆出其語音，但出于安全考慮，涉及較為逼真的孩童語音和特定人物的模仿語音將受限。

Octave現(xiàn)已在platform.hume.ai平臺和Hume AI的API上線。在線平臺上，創(chuàng)作者和開發(fā)者可以使用語音設(shè)計、表演指令、超過40種預(yù)設(shè)語音的語音庫以及用于生成有聲書、播客等長篇內(nèi)容的項目界面（預(yù)覽版）。而在開發(fā)者平臺上，Octave可通過Python和TypeScript SDK訪問，這些SDK處理身份驗證并提供類型化接口，確保集成的可靠性。其命令行界面支持快速原型設(shè)計、測試及從終端批量處理。

目前，Hume AI的API允許開發(fā)人員每分鐘對Octave模型發(fā)出最多50次請求，文本長度上限為5000個字符，描述上限為1000個字符。每個請求最多可生成5個輸出，支持的音頻格式包括MP3、WAV和PCM。

Hume AI對Octave進行了內(nèi)部評估，將其與業(yè)內(nèi)領(lǐng)先的AI文生語音大模型ElevenLabs進行對比?；鶞?zhǔn)測試包含120個多樣化語音描述的樣本，結(jié)果顯示，Octave在音質(zhì)、自然度以及提示詞匹配度方面均略勝一籌。

Hume AI目前采用訂閱制收費方式，分為免費、Creator、Creator Pro和Enterprise四大類。免費版每月提供1萬個字符的文本轉(zhuǎn)語音，總時長約10分鐘；入門版每月3美元，提供3萬個字符，總時長約30分鐘；Creator版每月10美元，提供10萬個字符，總時長約100分鐘；專業(yè)版每月50美元，提供50萬個字符，總時長約500分鐘。規(guī)模、商業(yè)和企業(yè)級接入使用收費標(biāo)準(zhǔn)則有所不同。

Hume AI的新文生語音大模型Octave及其情感智能語音技術(shù)有望解決長期以來AI語音應(yīng)答機械、語調(diào)生硬、音色千篇一律的問題，使人機語音交互更接近人與人之間的溝通。同時，Octave也可以為影視、視聽、新媒體、數(shù)字人等多個行業(yè)產(chǎn)出定制化配音，加速AI語音的商業(yè)化落地。