自从 AI 出现以后，我刷视频，老被那种“ AI 配音”的科普号整出戏。发音字正腔圆，但情绪语调听起来像白开水似的，听着耳朵都起茧子。
所以我对 AI 语音这个东西，一直保持保守态度。
虽然录视频时，我经常因为语音 NG，但真的被伤过太多次。市面上哪些号称"媲美真人"的 AI 语音，就像喝了假酒的 Siri 一样，每次听都觉得差一口气，太没活人感了。
上周，我看到 MiniMax 最新升级到了最新的 2.8 语音模型，据介绍，这货已经进化到人耳难辨的程度。
MiniMax 的 AI 配音
第一次打开 MiniMax 的语音生成界面还是挺简洁的。
同时，它还分成语音合成与音乐创作两个选项。（音乐创作不是我们今天的主题，想我测评这个模块的小伙伴，可以在评论区留言告诉我）
中间是一个大文本框，只要输入文本，调节好自己喜欢的参数，就能生成音频，整体简单方便。
可以看到，MiniMax 很贴心地给了新闻播报、说书、影视配音三个最主要的应用场景。
下面是模型的选择，最新的就是 2.8 的模型，分为两个，一个是 hd，一个是turbo（一个主打情绪渲染，一个主打生成速度）。
最底下还有一个音色库，里面摆放了官方调设好的音色，老狐我虽然没有细数，但是鼠标一路滑下去，数量已经是非常客观了。
无论是御姐音、少年音、大叔音还是萝莉音，甚至是日中韩、法语、西班牙语都能选择，基本能覆盖日常使用了。
整体给我的第一印象，操作很简单，不到一分钟就能生成一段不错的语音，这效率让我流下了羡慕（嫉妒）的泪水。
（老狐我之前因为音色不满意，一段视频 NG 了几十次，拍了差不多一整天...）
当然，这样傻瓜式的操作能不能做出好语音？我们来点硬核的。
AI 也有语言天赋！
既然是测试，那就要有章法。
根据 MiniMax 自己宣传，目前是支持 40 多种语言，而且每种语言还配备不同的音色。
那我就要来先测试一下，逻辑很简单，从国内到国外，从常规到变态。
简单的来看，我先测试了个普通话，随手选了个御姐音试试效果。
没想到...
天啊！现在连 AI 配音都能做得这么逼真，这么欲的吗？？
这一开头就给了我惊喜。
那事不宜迟，接下来开始测粤语，毕竟我生活在广州嘛。
粤语这玩意儿，很多 AI 都翻车。声调复杂，用词特殊，还经常夹杂英文——这可是香港人的日常操作。
我挑了钟嘉欣的名场面——"cheap man"。这段台词可是经典中的经典，情绪要到位，粤语要正宗，还要夹杂英文。
出来的结果竟然还不错。
有着地道的港式粤语味道，夹杂着英文单词的语感，完全不像AI生成的。
虽然整体上还是有点僵硬，但确实像哪个香港妹子在念台词，整体能达到以假乱真的效果，它竟然差点骗过我的耳朵？？
粤语这一关，过了。
粤语测完我准备上点难度，把外语测上。
这里我选了《教父》里的两个经典名场面。
教父那种沙哑低沉、缓缓道来却字字千钧的感觉，并不容易配好，所以我特意选了一个中老年男声音色。
虽然嗓音是那种略带沙哑的中老年声线，但吐字清晰，但就是这种"不完美"，反而让整个人物立体起来了，真的有点教父内味了。
在这里，我再说一个有意思的。
测完粤语和英语，我突然发现一个好玩的功能：它居然支持口音模仿。
而且里面竟然还有印度口音！连阿三的口音也能模仿吗？？
我怀着半信半疑的心态，试了一下印度口音的英语。还是刚才那段教父的台词，但这次加了印度口音标签。
音频出来的那一刻——我直接笑了。
味道太对了。那种浓浓的"印度阿三"味道蹭蹭就上来了。卷舌音、独特的节奏感，简直神还原。
我甚至脑补出了一个印度大叔穿着西装、戴着墨镜、用教父的语气说话的画面。
这波，我是服气的。
AI 配音还有情感语调？
到这里，多语言能力算是测完了，整体效果确实不错，但这只是基础。
配音演员厉害的地方在哪里？不是多语言的念字，而是情绪，语调。
同一句话，同样的文字，开心、愤怒、悲伤说出来完全是三种表现，AI如果做不到这一点，就会瞬间出戏。
而这次 MiniMax 的 2.8 新 AI 语音模型，就是可以在输入的文字里面，插入各种标签。
例如说情绪标签，停顿标签，还有语气词标签，这个作用在AI语音里面可以说是质变！
各种组合，能让生成出来的语音，有更多的情绪语调感觉。
来实测一下效果。
我先是把刚才钟嘉欣的 Cheap man 台词重新生成了一遍，但这次加了"生气"和"厌恶"的情绪标签。
效果真的不一样了，加上情绪之后，那种怼人的名场面一下子就出来了。就连"cheap man"这种情绪化的词，她都说出了那种不屑、嫌弃的感觉。
就像你真的被人气到了，然后忍不住骂了一句"cheap man"——那种又气又看不起的感觉，真的非常到位。
我又试了一下教父的场景。
教父说话最大的特点是什么？不急不慢，每一句话都要停顿，每一个字都有分量。
我按着原场景，把话语做了一些停顿，让他在关键的地方停下来。
一下子，感觉就来了。
那种缓缓道来、字字珠玑的感觉，真的让人肃然起敬。如果闭上眼睛听，你真的会以为是一个老者在跟你说话。
我还自己尝试的时候，还发现了一点有意思的东西。
例如说，假如我连续加上好几个“哼唱”的预期标签上去，
它并不会机械地重复一个哼唱的音符，而是智能地连成一段轻哼，然后才开始说我给的台词。
整个配音显得角色非常可爱。
整体测试下来，作为一个科技博主，能看到，国产 AI 模型在语音生成上，对于情感细节的把控、对多语种的完美支持，确实走在了行业前列。
这一点让我由衷地感到骄傲。
但另一方面，我也开始为配音老师们捏把汗。
当一个模型能通过文字，捏造出任意声音时，那就注定阶级比较低，还只会念稿的工作岌岌可危。
不过所幸的是，技术永远是工具，现阶段，可以看出来，MiniMax 的语音模型依然提升空间，例如在情绪上，依然还未能完全模仿到位。
而且，即使AI能模拟出 99% 的完美声音，但决定声音此刻是哭是笑，依然掌握在人类手中。
热门跟贴