首个会笑的 AI

在上一篇文章中，我们展示了几段由语音合成工具生成的长文本示例，并简要介绍了模型的独特设计如何让语音节奏自然、不显机械。今天，我们将向你展示，它的情感更丰富、上下文理解能力也比其他任何模型更强。因此，它不仅更引人入胜，也适用于图书、有声游戏和广告等多种场景。

情感

模型的两大优势——流畅度和恰当的语调——源于其学习过的大量训练数据（超过 50 万小时！）。但更关键的是它从这些数据中学习的方式，而这取决于模型的构建方式。从最基础层面来说，它能理解文字中的情感，并判断说话者应表现得开心、愤怒、悲伤还是平静。来看几个例子：

语调和情绪的所有差异完全来自文本，没有其他因素影响输出。标点和词义在决定一句话该如何表达时起着关键作用。不过，请注意，当说话者为胜利感到高兴时，模型还能逼真地生成笑声等不属于常规语言的声音（我们很快会发布 AI 能生成的各种笑声合集！）。同样，当说话者觉得某件事特别好笑时，它会恰当地夸张这种反应——太太太好笑了。

上下文

但仅仅了解单个词的含义还不够。模型同样能感知每句话所处的更广泛语境，通过与前后文本的关联判断内容是否合理。正如上一篇长篇内容文章所展示的，这种全局视角让它能用统一的情感模式贯穿多个句子的思路，从而准确处理较长段落的语调。同时，它也能避免逻辑错误。例如，有些词拼写相同却含义不同，如现在时和过去时的 “read”，或表示时间单位和微小之意的 “minute”。具体该选择哪个含义，取决于上下文：

书面语与口语

我们的平台面向长文本内容，因此模型还需要理解：书面语中常见的符号、缩写和某些表达惯例，应以特定方式发音，或不应按字面读出。例如，模型需要知道 FBI、TNT 和 ATM 的读法不同于 UNESCO 或 NASA。同样，$3tr 在书面语中完全没问题，但朗读时应读作“3 万亿美元”。

人工干预

识别这些细微差别至关重要，因为我们的目标是尽量减少生成过程中的人工干预。毕竟，我们宣传工具能在几分钟内生成有声书，并不是为了让人听完整段音频后再重写全文。尽管我们持续更新模型的发音规则，它仍有可能被某些内容难住。为此，我们正在开发不确定性标记系统，让用户立即看到模型认为有问题的文本片段，并教它这些内容该如何发音。

丰富应用

我们展示的所有能力，都是让软件成为最灵活 AI 配音工具的重要一步。

新闻出版商早已发现，增加音频内容是留住订阅者的好方法。为每篇文章嵌入音频朗读，最大的好处是人们可以一边做其他事一边收听。这样做的出版商通常会聘请配音演员，成本高昂，而且无法覆盖所有文章；或者让记者自己朗读报道，耗时也意味着成本高。使用合成语音为内容配音虽能省钱，却往往要牺牲质量。现在，有了 ElevenLabs，无需再做取舍，两者可以兼得。

再想象一下，在几分钟内生成有声书，让每个角色都有独特且富有情感张力的旁白配音。这不仅提供了全新的阅读方式，也大大改善了有学习障碍人士的获取体验。

想想如今为视频游戏开发者带来的可能性：他们不再需要考虑某个角色是否足够重要，是否值得花高昂成本请真人配音。现在，所有 NPC 都能拥有自己的声音和个性。

广告代理商和制作人现在可以自由尝试并调整旁白配音，以适应任何广告活动的调性——无论是体育电视频道还是奢侈腕表品牌。任何演员的声音都可以获得授权进行克隆，无需演员亲自到场即可立即完成修改。或者，如果选择完全合成的声音，广告主也无需担心支付声音使用权的买断费用。

虚拟助手可以变得更加逼真，这既是因为语音克隆让它们能使用特定用户熟悉的声音说话，也是因为这种更丰富的表达让互动感觉更自然。

ElevenLabs Beta

前往这里注册 Beta 平台，亲自体验。我们持续改进产品，在这个早期阶段，每一条用户反馈都非常宝贵。尽情体验吧！