Gradium 发布 Voice Design：写一段提示词，几秒生成一个全新合成语音

语音智能体团队总会撞上同一堵墙：音色库里有 400 个声音，而需求偏偏要的是库里没有的那一个：为蒙特利尔经销商找一个魁北克法语口音的前台，找一个六十多岁、带着讲堂级权威感的男声解说。需求永远比音色库多，而克隆技术一次只能补上一位说话人，每位都牵扯到来源、授权和许可的流程。

总部位于巴黎的语音 AI 公司 Gradium（脱胎于 Kyutai 研究实验室）给出了另一种答案。Voice Design 读取一段文字描述，几秒钟内就能返回一个完整的新语音。无需参考音频、无需真人说话人、无需清理版权。

能直接上线用吗？能。Voice Design 已上线 Gradium API 和 Studio，所有套餐（包括免费档）均免费开放；保留下来的语音与音色库中的任何语音一样，走同一个流式文本转语音（TTS）端点，延迟和输出格式完全相同。

选角简报就是 API

描述是模型获得的唯一输入。Gradium 的文档列出了它能响应的属性，读起来就像一份选角通知：性别、年龄段、口音或地域、音高、语速、能量、音色与共鸣、语气与仪态，以及这个声音要承担的职责。描述长度限 1～500 个字符，支持英语、法语、西班牙语、葡萄牙语或德语。Gradium 建议在结尾写明预期用途，因为它引导的是表达方式和语气，而不仅是声音的 “颜色”。

一次请求返回 1～5 个候选，通常 3～5 秒就绪。这些候选是同一个角色的不同变体，所以要换角色就改写描述，而不是多要几个样本。

从候选到生产级语音

流程共四步调用：POST /voice-generator/generate 生成候选 ID（状态为 ready: false）；GET /voice-generator/embeddings 轮询直到状态翻转；每个候选通过普通 TTS 端点试听，把候选 ID 当作 voice_id；POST /voices/from-embedding 把你选中的那个升级为正式语音。

候选语音有三条转换后语音没有的限制：试听文本上限 100 字符、仅支持 REST 调用、TTS WebSocket 和语音转语音（Speech-to-Speech）会拒绝它们。未转换的候选 30 天后删除。转换免费，会清除过期时限，并占用一个与克隆功能共享的自定义语音槽位 —— 免费档 5 个，付费套餐 1000 个。

采样刻意设计为非确定性。Gradium 团队会先扩展描述，而每次请求的扩展结果都不一样，所以即使固定随机种子（seed），同样的提示词得到的也是不同的语音。

基准测试，以及如何解读

Gradium 对可通过公共 API 触达的六个语音设计系统、五种语言做了口音提示的盲听成对测试。母语者听两段未标注的音频，选出更接近的那一个，或判平局。在 7,627 次比较中，Gradium 报告对全场的胜率为 72.6%，领先 ElevenLabs eleven_ttv_v3（59.0%）13.6 个百分点，其后依次是 Inworld（44.8%）、Fish Audio（36.7%）和 MiniMax（31.7%）。胜率等于胜场加一半平局，所以 50% 是基准线。Gradium 在全部五种语言中均排名第一。差距最大的是多数音色库会抹平的地域口音：魁北克法语 97%、拉普拉塔河西班牙语 86%、巴伐利亚德语 85%、哥伦比亚西班牙语和非洲葡萄牙语 83%。

同一组提示词下，模型裁判也得出了相同的结论。Gemini 3.1 Pro 为单条未标注片段打 1～5 分，排名一致：Gradium 4.06、ElevenLabs 3.86、Inworld 3.64、Fish Audio 3.51。另外，产品页面声称在 InstructTTSEval（TTS 指令遵循的学术基准）英语子集上提示词遵循度为 83.4%。（注：以上所有数字均为厂商自行设计并运行的结果。）