MiniMax登顶、多家创企融资，AI语音离“现实场景”还有多远？
2 月份，我们在《AI 语音，真的有感情了？》选题中，选取了知名影视剧《甄嬛传》中的片段来测试4 款 AI 语音合成模型在情感表达上的表现。当时的结论是，AI 语音模型们的表现力依然不足，仍有待加强。
时隔一段时间，4 月12日，MiniMax 上线最新版本语音生成模型 Speech-02，而在 5 月 15 日，系列模型中的 Speech-02-HD 同时登顶了 Artificial Analysis Speech Arena 和 Hugging Face TTS Arena 两大榜单，技术指标上 Speech-02-HD 不仅在错字率、声音相似度等客观指标上领先竞品，在主观的盲听测试中，也取得了相当不错的成绩。
除此之外，AI 语音赛道中，距离我们上次观察又有多款产品完成了融资，比如，3 月 11 日，Cartesia 完成了 6400 万美元 AI 轮融资；3 月 29 日，Hume AI 完成了 5000 万美元融资。除了创企们争相融资外，各大厂也纷纷下场，Amazon 推出了 Nova Sonic，Google 在 Veo3 中也整合了一个强大的语音模型，根据一线从业者的说法，Veo3 的语音合成功能堪称惊艳。
随着技术日趋成熟，AI 语音开始更快更深地渗透到各个应用场景中。所以此次，为了测试目前的语音模型在特定场景内的表现，我们选择了直播带货、语音陪伴、有声书，三个具有代表性的 TTS 落地场景，并根据模型榜单、读者的推荐等方式，确定了 5 款接受测试的语音模型，其中包括，MiniMax 推出的 Speech-02-HD、阿里推出的 CosyVoice2、杭州智声悦合的自研模型 Dubbing X，以及 ElevenLabs 和 Sesame，进行了又一轮的测试。
测试方法：
在上一次的测试基础上，我们扩展了直播带货、语音陪伴、有声书三个 AI 语音的具体落地场景，让AI 分别针对三个场景生成一段音频，主要测试 AI 情感传达能力和场景适配性。生成测试语音时，笔者会按照预设情感来打标签（受试模型中仅有 ElevenLabs 和 Sesame 没有情感标签功能）。
在生成测试音频后，会先使用阿里推出的开源语音理解模型 SenseVoice（在 modelscope 平台上使用）进行客观测试，输出符合预设即为通过。然后，再邀请编辑部的 5 位同事进行主观评测，测评者将针对AI的表现进行 1-5 分的评分，平均分超过 3 才算及格。
注 1：受试产品（模型）中，MiniMax、DubbingX、ElevenLabs、Sesame 均通过各自官网生成测试语音，阿里的 CosyVoice2 由于是开源模型，所以使用接入了 CosyVoice2 的第三方平台“书梦”。
注 2:由于对 ElevenLabs、Sesame 预测试中，这两款模型在中文场景的表现较差，所以我们在有声书场景设计了英文测试，专门测试这两款产品的表现。
中文有声书：配音垂类产品 DubbingX 表现更好
上次针对《甄嬛传》的测试中，各模型在“高兴”情绪的表现相对好，“愤怒、悲伤”两个情绪中比较拉胯。所以，本次在有声书场景的测试中，我们用水浒传中两大知名桥段，“林教头风雪山神庙”和“武松哭兄”中最具情感张力的桥段改写成有声书的形式，来测试各 AI 模型分别在“愤怒”和“悲伤”情绪中的表现。
愤怒情绪测试内容：高衙内！你欺人太甚！我林冲纵是个教头，也不是你们这等宵小欺辱的！我忍你三分，是敬你权势；你再敢污我清白、害我性命，今日，我便与你拼了！
悲伤情绪测试内容：哥哥！你死得好惨啊！你这一生忍气吞声、辛苦操劳，结果却落得被人害死，连个说理的地方都没有！我武松一定为哥哥报仇！
注：分数标注红色的即为模型通过测试
从结果看，愤怒情绪当中，三款产品都通过了客观测试，主观测试中也仅有 CosyVoice2 的平均分低于三分，而从海螺、DubbingX 两款模型表现看，笔者认为是显著优于上一次测试的，这两款模型都能将林冲层层递进的愤怒情绪还原出来，虽然与真人仍有差距，但应该已经到了“能用”的地步了。读者们也可以自己听一听几款产品的表现，来给他们打打分。
悲伤场景中，笔者选择了武松在哥哥墓前的一段自白，情绪上前半段偏向于伤心，后半段悲伤+愤怒，算是拥有复合情感的片段。但在这个片段中，仅有 DubbingX 能够在这个场景里达到及格的水平，之前表现一贯很好的 MiniMax 甚至都没有通过客观测试。
DubbingX 能表现得相对优秀，可能得益于它在情绪方面的深度优化，其他产品的情感标签无外乎是高兴、悲伤、愤怒等粗颗粒度的情感，而 DubbingX 则在大情感分类下，还有适配不同小场景的情绪标签，专门针对复合情感的场景。在这类场景中，DubbingX 的表现显然会更好。
英文有声书：简单设定下，全军覆没
而在英文场景中，我们选择了《基督山伯爵》中，主角得知自己被陷害入狱后，内心愤怒，并渴望复仇的一段独白。
“Fourteen years—trapped in that dungeon, freezing, starving, forgotten. I whispered your name in the dark, Mercedes. I begged for justice. And now, I will have my revenge. No mercy. No forgiveness. Only justice—my way.”
在英文有声书的场景，三款模型表现得有些拉胯，均没有体现出强烈的愤怒情绪与气势，三款产品在主观测试中均没有过 3 分的及格线。而且由于 ElevenLabs 和 Sesame 的官网中都没有“情绪标签”功能，AI 的输出要更差一些，甚至都没有通过客观测试。
在工程设计上，ElevenLabs 仅能通过几个“滑块”调节声音的速度、稳定度、相似度、风格等几个相对抽象的参数，而调节这些参数虽然可以一定程度上优化声音的情感表达，但无法定量调节，才造成了在我们的测试中 ElevenLabs 相对拉胯的表现。
笔者找到了一位 YouTuber 用 ElevenLabs 演播有声书的测试音频，在经专业创作者手动调整后，它在英文有声书场景中的表现好了不少。
直播带货：情感传达合格，场景适配拉胯
带货场景：“姐妹们，这瓶真的闭眼入！今天直播间直接抄底价，只要 39 块还送正装！库存不多了，手慢真没了！”
在直播带货场景中，三款模型都通过了客观测试，但均没有通过主观测试。一位“评委”表示，三款语音产品都传达了相当饱满的情感，情绪传达方面算是合格，但是没有体现出真人带货主播的节奏与韵律，AI 感还是非常强，与场景的适配性较差，所以才给出了不及格的分数。
AI 陪伴场景：表现中规中矩
“我知道你现在很难过，失去一个重要的人真的会让人心碎。但请你记住，你的情感是真实而珍贵的，它说明你认真爱过。痛苦会慢慢淡去，就像乌云终究会散开，而阳光还是会照进你的生活。你不是一个人，我会一直陪着你。”
最后一个 AI 陪伴场景中，三款 AI 模型的表现相对好一些，虽然仍有一些 AI 感，但能够传达温暖、积极的正确情绪，也能够适配场景，所以不少评委给了还不错的分数。
ToC 仍欠火候，ToB 开始爆发
相比上一次的测试，笔者认为经过几个月的发展，AI 语音在情感传达上“有点进步，但不多”，能够拿到及格分以上的，基本都是测试片段情感单一，且给出了正确情感标签的情况，算是“简单题，开卷考试”。而碰上简单情感标签无法覆盖的复杂情况，或直播带货这种需要强烈情感表达才能形成转化的场景，AI 语音仍力不从心。
而除了模型本身，工程化设计也颇为重要，比如 DubbingX 就定位在中文有声书配音的场景，会提供更加丰富细致的情感标签，所以在相对应场景中就表现得更好（中文有声书的场景中 DubbingX 都拿到了及格以上的分数）。而相比之下， ElevenLabs 和 Sesame 都没有情感标签功能，AI的表现就差很多。
实际产品设计中调用 AI 语音 API 时，如何保证输出语音的情感，注：这里用 ElevenLabs 为例，其他产品大同小异｜98出海制作
而实际应用中，想让AI语音适应实际场景，开发者还要做更多的工程优化，为此笔者咨询了 AI 陪伴领域的一线从业者。她表示，在产品接入 API 时，开发者会提交针对几个常规情绪的 Preset 语音，然后用户输入后，算法会先判定用户的情感输入，并映射到相应的情绪，转化为参数，最后再把“声音类型+情绪参数”一并返回给 API 平台，并结合 Preset，生成正确的声音，这样才能保证输出的语音尽可能符合要求。
注：本表只涉及几款AI语音产品官方宣布的技术合作
在 toB 领域，AI语音生成技术已相当广泛的应用于各个相关领域，比如上面视频中呈现的Maya语音助手，再比如我们之前关注过，做AI陪伴硬件的 BubblePal（详情可以参考《对话 Haivivi 李勇：用 AI 做 Jellycat，如何单月营收千万》），而在可见的未来，AI 语音生成一定会变得越来越智能，开拓出更丰富的落地应用场景，我们将持续关注。
