Gradium 发布 Voice Design：仅凭文字描述，几秒生成全新合成语音

开发AI语音代理时，开发者常会卡在音色选择环节。现成TTS音色库数量再多，很难覆盖小众场景需求：比如魁北克法语本地前台、带有讲师厚重感的老年叙述人声。传统语音克隆又绕不开音源采集、版权授权的麻烦，很难快速落地。

从Kyutai实验室独立出来的巴黎语音AI公司Gradium，推出Voice Design来解决这个痛点。和克隆不一样，它只接收一段文字描述，短短数秒就能生成全新的人声音色，全程不需要任何参考音频，不存在音源版权相关的繁琐处理。

• 地址：https://studio.gradium.ai
• API：https://docs.gradium.ai/guides/voices/voice-design

该功能已经集成在Gradium的API和Studio平台，免费套餐同样可以使用。生成并保存后的音色，能够和平台内置语音一样接入流式TTS接口，延迟、输出格式保持统一。

用文字完成语音“选角”

用户输入的文本描述就是全部指令。可以自定义年龄、地域口音、音调、语速、音色质感，还能写明语音的使用场景，场景描述会影响说话的情绪与发声方式。描述文字上限500字符，支持英、法、西、葡、德五种语言。

一次提交请求，系统会返回最多5个同风格的音色变体，生成耗时一般3到5秒。想要更换音色风格，需要改写提示词重新生成。

音色从候选转为生产可用有一套独立流程

开发者通过接口发起生成请求，拿到候选音色ID后轮询等待生成完成。拿到候选音色后可以直接调用TTS接口试听，但候选版本存在限制：试听文本短、仅支持REST接口，WebSocket与语音互转功能不可用，30天之后自动删除。

如果选定满意音色，调用接口就能免费升级为正式音色。升级后不再有过期限制，但会占用自定义语音槽位，免费账户有5个槽位，付费版本可达到1000个。

这套生成机制带有随机性，就算提示词与随机种子固定，每次产出的音色也会有差别。

盲测表现：小众口音优势突出

Gradium自行组织盲听对照实验，选取市面上多款主流语音生成产品做横向对比，一共完成7627组音频对比。母语用户盲听打分，Voice Design综合胜率达到72.6%，在全部五种测试语言里排名第一。

这项测试里，它在冷门地域口音上优势巨大：魁北克法语、拉普拉塔西班牙语这类小众口音的匹配度远超竞品。AI模型打分评测也验证了这一结果，在指令遵循基准测试上也拿到不错成绩。