我们如何为 DIALOGUE 精选 279 种 AI 语音：语音库幕后故事

<p>DIALOGUE 刚推出时，我们提供了 30 种内置 AI 语音。作为一个早期产品，这足够了——足以覆盖几种语言和内容类型。但随着用户开始在 7 种语言中制作数十种格式的播客，从公司通讯到课程模块，30 种语音开始感觉像一个创作天花板。</p> <p>于是我们做了一件不同寻常的事。我们没有从单一供应商那里购买少量高级语音的授权，而是翻阅了 ElevenLabs 的整个共享语音库——每一页、每一种声音——最终精挑细选出一个包含 279 种语音的目录。</p> <h2>为什么选择 ElevenLabs 共享语音库？</h2> <p>共享语音库是一个社区资源。这些是<strong>由全球创作者贡献并使用的真实声音</strong>——而非从少数基础模型生成的合成语音。每种语音都有一个 voice_id，对应一个你可以查证的 ElevenLabs 真实语音。这种透明性对我们很重要：当你在 DIALOGUE 中选择一个语音时，你选择的是生态系统中实际存在的声音，而不是一个黑箱标签。</p> <p>这也意味着这些语音经过了实战检验。如果一种语音在 ElevenLabs 平台上被使用了数千次，这强烈表明它在实际使用中听起来不错，而不仅仅是在 10 秒钟的试听中。</p> <h2>我们如何试听每一种语音</h2> <p>这个过程是有条不紊的，而非算法驱动的。我们系统性地翻阅了共享语音库，用四个标准逐一测试每种语音：</p> <p><strong>自然音质。</strong>听起来像真人在说话，还是像机器在朗读？我们淘汰了带有机器人痕迹、节奏不均或音色合成感明显的语音。</p> <p><strong>表现力范围。</strong>能否处理疑问句、陈述句、兴奋感和沉稳讲解而不显得平淡？如果一种语音只能做好一种情绪，那对播客来说就不够通用。</p> <p><strong>清晰度。</strong>能否不用倒带就能理解复杂句子？这对信息密集的教育和商业内容尤其重要。</p> <p><strong>语言纯正度。</strong>对于非英语语音，我们优先选择母语者。一种听起来像是用英语 TTS 模型硬贴上日语发音的日语语音，母语听众立刻就能听出来——这会破坏信任。</p> <h2>描述标签系统</h2> <p>语音库最混乱的部分之一就是自由文本描述。"温暖而专业，偶尔带点顽皮"——这到底是什么意思？不同的人听出不同的东西。</p> <p>我们用<strong>清晰的描述标签</strong>取代了这种模糊性——随性、休闲、沉稳、自信、深沉、活力、温暖、权威等。每种语音恰好分配一个主要标签。这不是简化，而是一种设计选择。当你在为科技新闻播客浏览 279 种语音时，按"活力"过滤比阅读长篇文字描述更快找到合适的候选者。</p> <h2>基于使用量的排名</h2> <p>目录中的语音顺序不是随意的。我们使用 ElevenLabs 的使用数据，按<strong>真实使用热度</strong>对语音进行排名。全球创作者最常使用的语音会排在最前面。这意味着目录会随时间自我优化——随着使用模式的变化，排名会反映实际效果最好的语音。</p> <h2>口音甄选</h2> <p>AI 语音目录通常每种语言只提供一种"标准"方言。我们走得更远。我们的日语语音同时包含标准日语和关西方言。越南语语音覆盖了南部和北部口音。这不仅仅是关于代表性——而是关于<strong>受众信任</strong>。大阪的听众能听出关西话和东京标准语的区别，这种差异会影响他们对你内容的接受度。</p> <h2>性别平衡</h2> <p>对于目录中的每种语言，我们都力求男女语音数量大致相等。这不是为了勾选某个指标。双人主持的播客在语音各具特色又互为补充时效果最好，而性别是这种对比的一个维度。平衡的目录意味着你无需妥协就能为动态对话配对语音。</p> <h2>为什么是 279，而不是 500？</h2> <p>我们本可以纳入更多。ElevenLabs 共享语音库中有数千条记录。但我们设定了一个质量标准并坚持了下来：<strong>每一种语音都经过亲自试听和评分</strong>。在这个标准以下添加更多语音只会虚增数字而不会改善体验。279 是质量与数量交汇的自然上限。</p> <h2>透明度</h2> <p>我们目录中的每个 voice_id 都对应一个真实的 ElevenLabs 语音。没有合成标签，没有不透明的内部 ID。你可以从 DIALOGUE 中取出任何 voice_id，在 ElevenLabs 生态系统中查证。我们相信创作者有权知道自己究竟在使用什么语音。</p> <p>甄选 279 种语音并非最快的路径——这花了数周的聆听、比较和评估。但结果是一个每种语音都有其存在价值的目录，按照实际效果排序，使用人们实际说的方言。这正是我们自己作为创作者所期望的语音库。</p>