AI入侵播客圈！比真人配音还逼真？实测爆火的微软AI语音角色“晓晓”
摘要：
高达破坏者一个曾留给无数胶佬美好回忆的游戏系列破坏创造的与数以千计的零部件满足了不少没有房没有钱没有技术的胶佬亲手制作高价模型和改装的梦想声明本文来自于... 《高达破坏者》，一个曾留给无数胶佬美好回忆的游戏系列，“破坏、创造”的slogan与数以千计的零部件，满足了不少没有房、没有钱、没有技术的胶佬，亲手制作高价模型和GK改装的梦想。
声明:本文来自于微信公众号 头号玩家（ID:AIGCplayer），作者:石濑，授权 转载发布。
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、 、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 *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 ，创建一个*账户。
新用户注册后可享12个月*服务，服务期满后，每月仍可获得50万字符的*额度。对于大多数创作者而言，这样“量大管饱”的*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*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“ ”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*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。
从有声书到短*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*，就一定能认得他的声音。
《注意看这个男人叫小帅》:
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*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
