Dust 使用 ElevenLabs 为 AI 驱动的企业 workflow 添加多语言语音功能

Dust是面向 AI 原生企业的操作系统，现已接入由 ElevenLabs 提供支持的多语言语音输入与输出功能。Dust 旨在将模型融入日常工作，因此需要具备低延迟、高真实感的语音能力，可跨语言、设备和场景运行。

这并非探索性尝试。客户多次提出需求后，语音成为产品优先事项。最终形成的系统支持通勤时免手操作智能体、全球团队多语言协作，以及用于异步 workflow 的专业音频输出。

语音为何对企业至关重要

Dust 明确了工作场景中语音功能的 4 项关键要求：

• 经得起检验的自然品质：语音输出必须专业、自然，适合分享至客户邮件、播客或产品演示。
• 默认支持多语言：团队分布在全球各地，使用不同语言。在一次会话中切换法语、英语和德语不应是特殊情况。
• 低延迟：无论输入还是输出，响应速度都必须跟上思考和对话节奏。
• 企业级数据处理：零数据保留、基于区域的路由，以及符合 SOC 2 和 GDPR，都是不可妥协的要求。

Dust 为何选择 ElevenLabs

在评估 OpenAI、Google、Deepgram 和 AssemblyAI 等服务商后，Dust 因 ElevenLabs 出色的质量和部署就绪能力而选择了我们：

• 文本转语音音色始终具备高真实感和丰富的情感表现力，这对 Dust 的 Speech Generator 和 Sound Studio 工具至关重要。
• 语音转文本支持 99 种转写语言，跨语言准确性出色。
• 零数据保留和多区域路由开箱即用，确保符合企业合规要求。
• 生产级 SDK 和 API支持快速集成，并在各平台保持稳定表现。

Dust 如何集成语音功能

Dust 在两项核心 workflow 中构建了语音支持：

1. 语音输入：与智能体对话

借助 ElevenLabs 的 scribe_v1 模型，用户现在可以通过麦克风与 智能体对话。系统会自动识别口语语言、进行转写并相应路由请求，甚至能从自然语音中推断智能体名称。

移动端也支持语音输入，适用于不便打字的场景。

2. 语音输出：由智能体生成音频

通过 Speech Generator，Dust 智能体可使用 ElevenLabs 的 eleven_multilingual_v2 和 eleven_v3 模型创建音频内容。输出包括播客、简报和叙事类音频内容，可供内部使用或对外分享。

由 文本音效生成提供支持的 Sound Studio，可为培训和内容场景添加非语言音频层。

Dust 的经验

• 区域路由很重要：启用欧盟／美国区域选择后，既降低了延迟，也简化了合规沟通。
• 精选优于海量：精选 12 种音色，既覆盖所有核心需求，也减少了决策疲劳。
• 质量 ＞ 速度：尽管有更快的模型可选，用户仍始终为生产内容选择保真度更高的音色。

这带来了什么

• 移动优先的生产力：随时记录想法并开展协作。
• 多语言协作：用自己的语言自然交流，其余交给智能体处理。
  易用的异步 workflow：将研究内容转为音频，降低输入门槛，支持多样化工作方式。

下一步计划

Dust 正在探索实时 对话式语音智能体、超越转写的更深层音频理解，以及对会议、演示等长内容输入的支持。通过集成 ElevenLabs，Dust 让语音成为 企业 AI不可或缺的一部分。