AI语音再进化，人耳还能听出AI和真人的差别吗?

以上两段音频demo来自微软最近更新的AI语音角色“晓晓”。逼真、情绪到位、语气自然、断句近乎完美，是绝大多数网友听到“晓晓”声音时给出的评价。

在播客App小宇宙上，“Hacker News”账号用“晓晓”的声音制作了一期节目，听众在评论区留言表示“想打赏”。

实际上，这已经不是AI第一次入侵播客圈了。

2022年10月，一段美国知名播客主持人乔·罗根（Joe Rogan）与苹果公司已故创始人史蒂夫·乔布斯的对话音频在外网引发热议。长达20分钟的播客节目中，两人探讨了包括乔布斯的大学经历、对计算机的见解和个人信仰在内的多个话题。

这段播客音频由podcast.ai推出，为了生成这段内容，podcast.ai使用了乔布斯的传记和网络上关于他的所有录音，通过Play.ht人工智能语言模型进行了大量训练。此外，节目主持人罗根的语音也是AI生成的。

2023年7月，国内播客节目《大俗小雅》发布了一期完全由AI生成故事情节和语音的播客，在小宇宙上获得了超5000次收听，评论区还有听众留言表示，误把AI生成语音中的不自然当成了两位主播“情绪状态不好”。

从乔布斯“复活”录播客到《大俗小雅》的AI播客实验，AI生成人声面临的一个主要争议是缺乏真人发声时的抑扬顿挫和情感，如声音的单调和机械化，以及在节奏和语调上的不自然。这些都是阻碍AI语音技术进一步落地应用在有声内容创作上的难题。

如今，微软“晓晓”已经正式上线可用。它可以成为中文创作者新的语音生成利器吗?AI+有声内容创作又有哪些新玩法?“头号AI玩家”进行了一番探究。

实测微软“晓晓”:比真人配音还逼真?

“晓晓”是微软云服务平台Azure旗下TTS（文本转语音）语音库中的一个女性语音角色。目前有两个版本:

第一个版本是中文版“晓晓”，它支持21种不同的说话风格，适用于有声书、新闻、AI客户服务以及多情感表达等场景。

在“多情感表达”场景演示中，她能够在多种台词之间自如切换情绪，并精准匹配相应的语气和语调，整体表现既自然又流畅。

第二个版本是多语言版本的“晓晓”，支持91种语言的文本到语音转换，但仅提供默认的说话风格选项。

目前，两个版本的“晓晓”都可以在Azure官网免费体验（链接已同步整理至文末）。

由于申请微软Azure账户和部署语音服务的流程较为复杂，在此先附上详细操作步骤，以供参考:

首先，进入微软Azure官网，创建一个免费账户。

新用户注册后可享12个月免费服务，服务期满后，每月仍可获得50万字符的免费额度。对于大多数创作者而言，这样“量大管饱”的免费额度已然够用。

整个注册和使用过程，无需魔法，但需要提供一张VISA、万事达等信用卡或借记卡进行验证。实测中，我们用国内银行发行的VISA信用卡以及国内手机号完成了注册。

验证成功后，跳转到Azure主页，进入控制台，在“AI+机器学习”类别下，找到“语音”点击“Create”，部署语音服务。

进入创建语音服务页面，定价层选择“Free F0（即免费服务）”，区域选择你想使用的TTS语音支持的地区，因为是测试“晓晓”，在这里我们最后选择了“East Asia（东亚）”。

最后，点击页面下方的“审阅并创建”，就完成了部署。

接着转到“有声内容创作”页面，就可以投喂文本，让AI替你生成语音了。

界面布局主要包括中间的文本操作区和右侧的调音编辑工具栏。用户可以一次性编辑整个文本，也可以对单个句子或词语进行微调。

具体编辑功能涵盖朗读角色切换、停顿设置、朗读规则调整以及语调语速控制等，都支持用户根据需要进行自定义修改。

例如，在下面这段文本中，我们将叙事旁白设置成了中文版晓晓的“新闻”说话风格，并在同一个句子中切换朗读角色，营造出小说中的对话感。

测试1，头号AI玩家，59秒

对比测试中，我们让其用不同情绪说同一句话，也表现出明显的区分度，效果令人惊喜。

测试2，头号AI玩家，12秒

而多语言版本的“晓晓”虽然只支持默认的说话风格，但其生成的声音效果既自然又流畅，并且能够处理文本中的语气词，乍一听根本无法分辨真假。

晓晓多语言版测试1，头号AI玩家，8秒

不过，在我们的测试中，她只有在语言技能选择“中文普通话”时，才可以还原早前微软放出的演示效果，生成的人声自然逼真。

如果选择其他语言或地区方言，如粤语或台湾普通话，声音就又回到“一听即AI”的效果。

晓晓多语言版测试2，头号AI玩家，10秒

据微软官方介绍，包括多语言版晓晓在内的9种声音角色是基于大语言模型训练的，如OpenAI搭建在Azure云上的GPT服务，因此尤其擅长口头对话、日常聊天等对语言自然度和表现力要求较高的场景。

除了使用TTS语音库预设置好的声音，微软Azure还提供了声音定制服务，支持品牌或个人使用有版权的音频样本作为训练数据，创建自定义语音。

AI+有声内容，进入真假难辨时代

从有声书到短视频配音，再到软硬件内随处可见的文本朗读功能，AI生成的有声内容已经成为普通人日常最频繁使用的AI技术之一。

以微软的语音角色“云希”为例，只要你刷过短视频，就一定能认得他的声音。

《注意看这个男人叫小帅》:

，时长00:19视频来源:抖音博主阿莫西木木

由于去除了以往AI的机械式发音和单一腔调，“云希”在影视解说配音中广受欢迎，迅速火遍全网。同时，它在有声书领域也得到了广泛应用，许多网友会借助接入微软TTS服务的软件和API，利用“云希”的声音文本转语音，提升听书体验。

技术快速迭代下， 如今市面上出现了越来越多方便易用的产品。例如，如喜马拉雅旗下的音剪，即支持一站式AI音频创作，提升有声书制作效率、降低创作成本。

具体到AI文本转语音赛道上，国外爆火的产品如ElevenLabs对中文的支持度并不高，而国内的MiniMax、火山引擎等产品，虽然可以生成较为流畅的中文朗读音频，但仍未达到播客声音制作所需的自然度和情感表达水平。

例如，在《大俗小雅》的AI播客实验中，不少网友反馈AI生成的声音“念稿”痕迹很明显。

相较短视频和有声书，AI语音技术在播客场景的应用还很有限。

“头号AI玩家”从多方了解到，目前播客创作者会使用ChatGPT等文本生成模型，来提高前期内容策划、内容大纲以及播客内容摘要（shownotes）等文本内容的生产效率。

但在声音生成上，播客内容制作追求的不仅仅是流畅的朗读，更重要的是通过声音传递情感，增强听众的沉浸感和情感共鸣。

此外，播客声音内容的强IP属性，以及高度人格化的表达，也是创作者在使用AI生成语音时需要谨慎考量的问题。这些特性要求AI不仅要准确传达信息，还要能够模仿人类的情感和语调，与听众建立情感联系。

对于能够自如地通过口语表达自己观点的创作者而言，独特的口音或语调反而可以形成一种差异化优势，有助于塑造创作者的个人风格。

随着AI生成语音、克隆语音越来越真实，也不乏有内容创作者开始利用AI技术来制作更新频率高的资讯类语音播报内容。

例如，播客节目《十字路口》主播就曾在一期节目中透露，得到联合创始人快刀青衣主理的一档AI资讯节目《快刀广播站》，就是只写脚本，语音部分由AI来完成，效果相当自然。

AI语音技术的发展，无疑为内容创作者提供了新的工具和可能性。

尤其是微软最近推出的多语言版晓晓，进一步展示了AI语音技术在播客内容制作中的应用潜力。可以预见，在技术抹平内容创作门槛的同时，内容创作也将前所未有的“卷”，如何打造差异化内容，是每一个创作者都需要思考的问题。

微软TTS语音体验网址:

https://azure.microsoft.com/zh-cn/free/ai-services/

微软声音定制申请网址:

https://speech.microsoft.com/portal/17e48f6eeeff471385a6dd6dc1ac94d2/customvoice/overview