OpenAI Voice Engine：15 秒样本生成自然语音
OpenAI 公布其语音生成模型 Voice Engine，该模型仅需一段 15 秒的音频样本和文本输入，即可生成情感丰富、接近原始说话者声音的合成语音，并已在小范围内进行测试。
语音合成技术正朝着更自然、更具表现力的方向发展。近日，OpenAI 正式公布了其语音生成模型 Voice Engine。该模型的核心在于，仅需一个简短的 15 秒音频样本和文本输入，即可生成与原始说话者声音高度相似、情感丰富的合成语音。Voice Engine 最初于 2022 年底开发完成，并已提供给包括 Heygen 在内的少数合作伙伴进行小范围的测试性使用。
核心内容
Voice Engine 的核心能力主要体现在以下几个方面。
首先，在语音生成质量上，模型利用单个 15 秒的音频样本，能够创造出情感丰富且听起来真实的语音，显著提升了合成语音的自然度和真实感。
其次，其应用场景广泛。从辅助教育、内容翻译、提升偏远地区服务质量，到支持非语言人士沟通和帮助患者恢复声音，Voice Engine 的应用跨越了教育、医疗、内容创作等多个行业。
第三，该模型在内容翻译等场景中，能够保留原始发言者的本地口音，使得翻译后的语音不仅流利，还能保持原声音的特色。
最后，Voice Engine 支持生成多种语言的语音输出，这适应了全球化需求，对于需要将内容本地化到不同语言市场的企业和创作者尤为重要。
价值与影响
Voice Engine 的发布，展示了小样本语音克隆技术达到的新高度。其仅需 15 秒样本即可生成高质量语音的能力，降低了高质量语音合成的门槛。在应用层面，其多场景适应性和多语种支持能力，为教育普惠、无障碍沟通、内容全球化等提供了新的技术工具。同时，模型在翻译中保留口音的特性，也为跨语言文化交流带来了更自然的体验。目前，该技术仍处于有限测试阶段，其未来的规模化应用路径与相应的治理框架值得持续关注。
