Gradium推出Voice Design：输入文字描述，秒级生成定制合成语音

语音定制的范式转移：从克隆到设计

传统语音代理团队长期受限于预置语音库——即便拥有400种声音，仍难以匹配具体需求：例如一位魁北克法语口音的蒙特利尔汽车经销商接待员，或一位六十多岁、具备讲堂权威感的男性叙述者。现有方案依赖语音克隆，但每例克隆均需真实说话人授权、数据采集与商业许可，流程冗长且存在合规风险。Gradium提出的替代路径是「Voice Design」：一种基于纯文本提示（prompt）直接生成全新语音模型的技术。它不依赖任何参考音频、特定说话人或已有语音资产，仅凭自然语言描述即可输出可部署的合成语音。

零门槛接入：全栈可用、实时流式交付

Voice Design现已全面上线，集成于Gradium API及在线Studio平台，并对所有用户免费开放——包括免费版用户。生成的语音与Gradium语音库中任一标准语音完全兼容：使用同一低延迟流式TTS端点，支持相同输出格式（如MP3、WAV、Opus），可无缝嵌入现有语音应用流水线。

API调用逻辑清晰：用户提交描述（支持英、法、西、葡、德五种语言），系统返回1–5个语音候选；每个候选由唯一ID标识，经3–5秒异步生成后即可试听。描述需涵盖性别、年龄区间、口音/地域来源、音高、语速、能量感、音色与共鸣、语域（register）及使用场景等维度，Gradium官方文档将其类比为“演员选角简报”。建议以具体用途收尾（如“用于银行IVR系统”），以优化语气与表达方式，而非仅调整音色。

从候选到生产：四步工作流与资源管理

将候选语音转为正式生产语音需四次API调用： 1. `POST /voice-generator/generate` 创建候选ID（初始状态为`ready: false`）； 2. `GET /voice-generator/embeddings` 轮询直至状态变为`ready: true`； 3. 使用候选ID作为`voice_id`，通过常规TTS端点试听（限制文本≤100字符，仅支持REST，不支持WebSocket或语音转语音）； 4. `POST /voices/from-embedding` 将选定候选“固化”为永久语音，占用一个自定义语音配额。

未固化候选语音30天后自动删除；固化操作免费，且与语音克隆共享同一配额池（免费版含5个，付费版含1000个）。值得注意的是，生成过程刻意采用非确定性采样：即使固定随机种子，同一描述每次也会产生不同语音——因模型会先动态扩展原始提示，而扩展方式随请求变化。

独立评测：多语言口音还原能力领先业界

Gradium在公开API可访问的六套语音设计系统上，针对六种方言/口音提示（覆盖英语、法语、西班牙语、葡萄牙语、德语）开展盲测。7,627组双样本对比中，母语听众在未标注前提下选择更贴近描述的语音，Gradium以72.6%胜率位居第一，大幅领先ElevenLabs（59.0%）、Inworld（44.8%）、Fish Audio（36.7%）和MiniMax（31.7%）。其优势在高度地域化的口音上尤为突出：魁北克法语（97%）、拉普拉塔河西班牙语（86%）、巴伐利亚德语（85%）、哥伦比亚西班牙语与非洲葡萄牙语（均为83%）。另一项由Gemini 3.1 Pro担任裁判的单样本评分测试（1–5分制）亦得出相同排序：Gradium（4.06分）> ElevenLabs（3.86分）> Inworld（3.64分）> Fish Audio（3.51分）。此外，Gradium宣称其在InstructTTSEval英文子集上的指令遵循准确率达83.4%——该指标为学术界评估TTS指令理解能力的基准之一。（注：所有评测均由Gradium自主设计并执行。）

编者观点

面向企业级语音交互场景，Voice Design标志着从‘语音资产管理’向‘语音即服务（Voice-as-a-Feature）’的关键演进——中国企业若正构建多语种、强地域适配的智能客服或数字人产品，可重点关注此类免授权、低延迟、高可控的Prompt-to-Voice技术路径。