在人工智能领域，一次创新性的飞跃近日由美国情感智能技术初创公司Hume AI实现。该公司发布了一款名为Octave的新型文本转语音大模型，该模型能够根据用户输入的提示词或剧本，生成富有人设特点、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达到2.19亿美元。在接受采访时，Cowen表示：“我们推出的首个AI文本转语音大模型，能够理解上下文中的词汇，并预测出适当的情绪、节奏、韵律和重音，从而使AI语音听起来比以往更人性化。”
Octave的设计初衷是为了解决过往AI语音生硬、缺乏情感表达的问题。它不仅能够表达愤怒、悲伤或快乐等单一情绪，还能将多种情感交织融合在一起，如“夹杂着幽默或恼怒的轻度沮丧”。这种能力使得Octave非常适合用于有声读物、播客、视频画外音和视频游戏角色配音等预先制作的内容。
Hume AI在社交媒体上发布的信息显示，Octave的训练数据量是传统文本转语音大模型的1000倍，这包括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。这种庞大的数据集使得Octave能够理解剧本，并使用更逼真的情感、语义、节奏、词语和重音等要素。
除了文本转语音功能，Octave还具备语音设计、表演指令和即将上线的语音克隆功能。在语音设计方面，Octave能够基于提示词或剧本生成各种设定的AI语音，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。在表演指令功能中，用户可以基于现有语音类型，用指定的情感或说话风格来朗读新剧本。而语音克隆功能则只需一段5秒的音频，就能快速克隆出相应的语音。
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，这表明其AI语音生成过程的可控性和生成质量均高于行业水准。
目前，Octave已在Hume AI的平台和API上线，支持超过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）。开发者可以通过Python和Type SDK访问Octave，这些SDK会处理身份验证，并提供类型化接口以确保集成的可靠性。命令行界面支持快速原型设计、测试以及直接从终端批量处理。
Hume AI的收费方式采用订阅制，分为免费、入门版、Creator和专业版等多个级别。免费版提供每月1万个字符的文本转语音服务，总时长约10分钟，并允许无限自定义声音。其他版本则提供更多的字符数和时长，以及额外的项目支持和优惠价格。
Octave的发布标志着AI语音技术向更加人性化和情感化的方向迈出了重要一步。它不仅有望解决AI语音应答机械、语调生硬的问题，还能为影视、视听、新媒体、数字人等多个行业提供定制化的配音服务，加速AI语音的商业化落地。
