获腾讯青睐拿下亿级融资，AI语音模型进化深度解读与评测

type

status

date

slug

summary

资本热潮：亿级融资助推赛道升级

半年前，语音模型或许还停留在“听个响”或简单的“名人模仿秀”阶段，但如今，资本市场的疯狂涌入证明了该赛道的巨大潜力。近期的数据显示，语音赛道无论是在估值还是融资额上都迈上了新台阶：

头部效应显著：赛道领头羊 ElevenLabs 在年初融资 2.5 亿美元后，估值已突破 30 亿美元。更令人瞩目的是，其近期推出的 1 亿美元员工股权回购计划，对应的估值高达 66 亿美元，短短半年身价翻倍。

新星崛起：10月23日，Sesame 宣布完成 2.5 亿美元的 B 轮融资；而在欧洲，初创企业 Gradium 更是以 7000 万美元打破了当地 AI 公司种子轮融资纪录。

这些巨额资金的注入，直接推动了人工智能语音技术从实验室走向商业化落地，也预示着未来的竞争将更加激烈。

技术进化：从“模仿”到“情感控制”

有了资本的加持，技术层面的突破显而易见。早期的语音模型往往在短文本上表现尚可，但一旦涉及长文本或复杂的情感表达，机械感便会暴露无遗。

近期的技术升级主要集中在以下几个核心维度： 1. 精细的情绪控制：模型不再是单一的语调，而是能够根据上下文理解悲伤、愤怒或平静。 2. 自然的节奏与语调：停顿、重音的处理更加接近真人，减少了“AI味”。 3. 复杂内容处理：针对长文本的稳定性进行了优化，适应有声书、播客等场景。

基于这些能力的提升，我们看到如 ListenHub 等应用端音频创企开始爆发，开发者们正在利用更强大的 TTS 能力，向AI变现的深水区——创作者工具和个人学习场景进军。

中文模型评测：MiniMax 断崖式领先

在针对中文语境的测试中，我们将目光投向了科技播客、情绪独白和有声书旁白三个典型场景。测试结果显示，国产模型在中文处理上具有天然优势，但也存在明显的梯队分化。

MiniMax 的统治力：在所有中文测试场景中，MiniMax 几乎呈现断崖式领先。特别是在情绪独白场景中，它能够较好地传达悲伤等强烈情绪，得分高达 92 分，而其他模型普遍存在情绪表达不足的问题。

SoulX 的差异化竞争：虽然在通用场景下略逊一筹，但 SoulX 在“多人对话”场景中表现出色。其针对多轮对话的优化，使其在科技播客场景中获得了额外的加分，展现了在社交与互动领域的潜力。

长文本的挑战：尽管短时间的表现已令人惊艳，但在长达 1 分钟的“有声书旁白”测试中，所有模型的平均得分仅为 47 分。这说明在长时间保持情绪连贯性和叙事层次感方面，中文大模型仍有很长的路要走。

英文模型表现：已逼近“真人”水平

相比中文市场的“偏科”，英文语音模型的表现则堪称惊艳。由于语言结构的差异（中文涉及复杂的声调变化，而英文主要依靠重音和节奏），英文模型更容易达到高拟真度。

在剔除中文适配不佳的模型后，我们对 Sesame、Gradium、ElevenLabs 等进行了英文场景测试： * 科技播客场景：4 款模型中有 3 款取得了满分，平均分高达 99 分。在主观听感上，这些AI生成的内容几乎无法与真人区分。 * 情绪表达更自然：在情绪独白场景中，英文模型的平均分达到 88 分。值得注意的是，新兴模型 Sesame 和 Gradium 在情绪传达上甚至超越了行业老兵 ElevenLabs，证明了后起之秀的强劲实力。

这一结果表明，在Prompt（提示词）合理的情况下，英文语音生成技术已经基本成熟，能够满足大规模商业应用的需求。

落地展望：语音模型的“ChatGPT时刻”还有多远？

综合目前的评测与观察，AI语音技术的落地路径已经逐渐清晰，主要分为三条主线： 1. 规模化内容生产：如AI日报播报、有声书、视频解说等。目前模型能力已基本满足这一需求，配合工程化优化，可实现高效产出。 2. 情感陪伴：侧重于对用户情绪的针对性回应，要求高拟真度和人格一致性。 3. 实时交互：服务于 AI Agent 和智能客服，强调低延迟和多轮对话能力。

尽管进步巨大，但正如业内人士所言，语音技术尚未完全迎来属于它的“ChatGPT时刻”。情感的细腻度、对上下文的深度理解以及长文本的绝对稳定性，仍是制约其全面爆发的短板。

然而，随着OpenAI、腾讯等巨头的持续投入，以及LLM底层能力的不断跃升，我们有理由相信，一个声音与智慧完美融合的未来正加速到来。想要了解更多关于人工智能、ChatGPT以及Claude等前沿技术的最新资讯，请持续关注 AINEWS，我们将为您带来最专业的AI门户内容。