主要观点总结
本文主要介绍了AI语音技术的最新进展，通过测试多款AI语音模型在直播带货、语音陪伴、有声书等不同场景的表现，发现AI语音在情感传达和场景适配方面仍有待提升。文章还提到了AI语音生成技术的广泛应用和未来发展前景。
关键观点总结
关键观点1: AI语音模型在情感表达上仍有不足，但有一定进步
通过测试多款AI语音模型在特定场景的表现，发现它们在情感传达上仍有困难，尤其是在复杂情感和需要强烈情感表达的场景中。但与上次测试相比，AI语音在情感表达方面有一定进步。
关键观点2: AI语音模型在场景适配方面有待提升
在直播带货、语音陪伴、有声书等场景中，AI语音模型的表现参差不齐。虽然一些模型在情感传达方面合格，但与真实场景的适配性较差，尤其是在需要强烈情感表达的场景中。
关键观点3: 工程化设计对AI语音模型的表现有影响
除了模型本身，工程化设计也是影响AI语音模型表现的重要因素。一些模型通过更丰富的情感标签和工程优化，在特定场景中表现更好。
关键观点4: AI语音生成技术广泛应用，未来前景广阔
AI语音生成技术已广泛应用于各个领域，如AI陪伴、直播带货等。随着技术不断发展，AI语音生成将开拓出更丰富的落地应用场景，未来前景广阔。
正文
用作客观测试的标准｜图片来源：modelscope
在生成测试音频后，会先使用阿里推出的开源语音理解模型 SenseVoice（在 modelscope 平台上使用）进行客观测试，输出符合预设即为通过。然后，再邀请编辑部的 5 位同事进行主观评测，测评者将针对 AI 的表现进行 1-5 分的评分，平均分超过 3 才算及格。
注 1：受试产品（模型）中，MiniMax、DubbingX、ElevenLabs、Sesame 均通过各自官网生成测试语音，阿里的 CosyVoice2 由于是开源模型，所以使用接入了 CosyVoice2 的第三方平台“书梦”。
注 2：由于对 ElevenLabs、Sesame 预测试中，这两款模型在中文场景的表现较差，所以我们在有声书场景设计了英文测试，专门测试这两款产品的表现。
上次针对《甄嬛传》的测试中，各模型在“高兴”情绪的表现相对好，“愤怒、悲伤”两个情绪中比较拉胯。所以，本次在有声书场景的测试中，我们用水浒传中两大知名桥段，“林教头风雪山神庙”和“武松哭兄”中最具情感张力的桥段改写成有声书的形式，来测试各 AI 模型分别在“愤怒”和“悲伤”情绪中的表现。
愤怒情绪测试内容：高衙内！你欺人太甚！我林冲纵是个教头，也不是你们这等宵小欺辱的！我忍你三分，是敬你权势；你再敢污我清白、害我性命，今日，我便与你拼了！
悲伤情绪测试内容：哥哥！你死得好惨啊！你这一生忍气吞声、辛苦操劳，结果却落得被人害死，连个说理的地方都没有！我武松一定为哥哥报仇！
注：分数标注红色的即为模型通过测试
从结果看，愤怒情绪当中，三款产品都通过了客观测试，主观测试中也仅有 CosyVoice2 的平均分低于三分，而从海螺、DubbingX 两款模型表现看，笔者认为是显著优于上一次测试的，这两款模型都能将林冲层层递进的愤怒情绪还原出来，虽然与真人仍有差距，但应该已经到了“能用”的地步了。读者们也可以自己听一听几款产品的表现，来给他们打打分。
悲伤场景中，笔者选择了武松在哥哥墓前的一段自白，情绪上前半段偏向于伤心，后半段悲伤+愤怒，算是拥有复合情感的片段。但在这个片段中，仅有 DubbingX 能够在这个场景里达到及格的水平，之前表现一贯很好的 MiniMax 甚至都没有通过客观测试。
DubbingX 能表现得相对优秀，可能得益于它在情绪方面的深度优化，其他产品的情感标签无外乎是高兴、悲伤、愤怒等粗颗粒度的情感，而 DubbingX 则在大情感分类下，还有适配不同小场景的情绪标签，专门针对复合情感的场景。在这类场景中，DubbingX 的表现显然会更好。
而在英文场景中，我们选择了《基督山伯爵》中，主角得知自己被陷害入狱后，内心愤怒，并渴望复仇的一段独白。
“Fourteen years—trapped in that dungeon, freezing, starving, forgotten. I whispered your name in the dark, Mercedes. I begged for justice. And now, I will have my revenge. No mercy. No forgiveness. Only justice—my way.”
