Gradium 发布 Voice Design：写一段提示词，几秒生成一个全新合成语音
内容提要
巴黎语音AI公司Gradium推出Voice Design功能，输入文字描述即可在数秒内生成全新语音，无需参考音频或真人说话人，也无需处理版权授权。该功能已上线API和Studio，所有套餐免费开放，支持五种语言。厂商自测盲听对比中，其在7627次比较里胜率72.6%，五种语言均排名第一，尤其擅长地域口音。生成的语音可作为常规voice_id用于流式TTS接口。
延伸解读
从描述到语音：工作流与限制
Voice Design 的流程分四步：生成候选、轮询状态、试听、升级为正式语音。候选语音有试听文本上限100字符、仅支持REST调用等限制，且未转换的候选30天后删除。转换免费，但会占用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。
非确定性采样：每次生成都不同
Gradium 的采样设计为非确定性，团队会先扩展描述，且每次扩展结果不同。因此即使固定随机种子，相同提示词也会得到不同语音。这意味着用户无法精确复现某个语音，但可以通过调整描述来探索更多变体。
基准测试解读：厂商自测的胜率
Gradium 报告在7627次盲听比较中胜率72.6%，领先ElevenLabs 13.6个百分点，五种语言均排名第一，尤其擅长地域口音。但所有数字均为厂商自行设计并运行，读者需注意其自测性质，实际效果可能因场景而异。
Q&A
Gradium Voice Design 是什么？它和传统语音克隆有什么区别？
Gradium Voice Design 是巴黎语音 AI 公司 Gradium 推出的功能，只需输入一段文字描述，几秒内就能生成一个全新的合成语音。与传统语音克隆不同，它无需参考音频、无需真人说话人，也无需处理版权授权。
Voice Design 生成的语音能直接用于生产环境吗？支持哪些接口？
可以。生成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。已上线 Gradium API 和 Studio，所有套餐（包括免费档）均免费开放，支持 REST、WebSocket 和语音转语音接口。
使用 Voice Design 时，描述提示词可以写哪些内容？有什么限制？
描述可包含性别、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。建议在结尾写明预期用途，以引导表达方式和语气。
从生成候选到正式语音的完整流程是怎样的？
共四步：1. POST /voice-generator/generate 生成候选 ID（状态为 ready: false）；2. GET /voice-generator/embeddings 轮询直到状态翻转；3. 每个候选通过普通 TTS 端点试听，把候选 ID 当作 voice_id；4. POST /voices/from-embedding 把选中的候选升级为正式语音。
候选语音有哪些使用限制？未转换的候选会怎样？
候选语音有三条限制：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）。
Voice Design 在盲听测试中的表现如何？
Gradium 对六个语音设计系统、五种语言做了口音提示的盲听成对测试。在 7,627 次比较中，Gradium 报告对全场的胜率为 72.6%，领先 ElevenLabs（59.0%）13.6 个百分点，其后是 Inworld（44.8%）、Fish Audio（36.7%）和 MiniMax（31.7%）。在全部五种语言中均排名第一，尤其擅长地域口音，如魁北克法语 97%、拉普拉塔河西班牙语 86% 等。注意：以上数字均为厂商自行设计并运行的结果。
Voice Design 的采样是确定性的吗？固定种子会得到相同语音吗？
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。
