Bland AI发布全新的Bland TTS，宣称这是“第一个跨越恐怖谷（Uncanny Valley）”的产品。

  • 恐怖谷：是指 AI 的语音或面部越接近人类、但还不到完美时，反而会让人感到不适或怪异。Bland TTS 声称已突破这一点，使 AI 语音听起来几乎无法与真人区分。

Bland TTS只需一个简短的音频就能：

  • 克隆任意人声
  • 或者将另一个克隆的语音风格（如语调、节奏、发音方式等）进行“混搭”再造。

其核心是利用大语言模型（LLM）直接生成语音，而非依赖传统的逐层转换架构。该系统具备前所未有的情绪表达、风格控制、多说话人理解、非语言音效生成等能力，并通过自研的音频Token系统（SNAC）实现了更真实、更可控、更具上下文的语音合成。

功能亮点

1️⃣ 语音风格控制（Style Transfer）

  • 模型可以通过 “上下文学习” 自动理解什么是“兴奋的语气”或“冷静的语调”；

  • 也可以手动加入控制标签，如：

    <excited> 这是一个重大突破！ <calm> 请仔细阅读以下说明。

  • 只需要3~6个语音示例，系统就能合成出同样风格的新内容。

2️⃣ 音效生成（Sound Effects）

不仅能合成语言，还能生成音效，如：

<dog_bark> 代表狗叫声 <laughter> 模拟笑声

只要你提供了标注的文本和音频示例，模型就能记住对应关系。

3️⃣ 语音混合（Voice Blending）

通过提供多个声音示例，系统能自动“融合”出一个新声音，既保留多个说话人的特征，也具备语气连贯性。适用于：

  • 品牌语音设计；
  • 多语者统一风格输出；
  • 虚拟形象角色创作。

4️⃣ 语音情绪理解（Emotionally Aware）

系统不再是“照字念”，而是真正根据上下文变化语气——

  • 技术介绍更理性；
  • 安慰类内容更温暖；
  • 问答互动更自然。

核心技术：重构传统TTS流程

✅ 传统TTS的痛点

以往TTS是流水线式的步骤：

文字 → 音素 → 韵律 → 波形 → 合成声音

每一步都可能出错，而且最终效果往往“缺乏情感、声音割裂”。这是因为传统方法是先理解内容，再“拼装”语音，很难自然地传递语气与情绪。

✅ Bland 的方案：一体化建模

Bland AI 的新技术把整个过程打通，采用 大语言模型直接预测声音，过程如下：

文本输入 → 模型直接输出“音频Token” → 再还原成真实声音

好比是“你告诉它要说什么，它直接用理解后的语气和情绪生成声音”，而不是一个拼接器去逐步“翻译”。

🎧 数据层面的突破：千倍级别提升

任何生成系统的底层，都是数据质量。Bland 团队认为，公开语音数据远远不够用，尤其在真实对话建模方面。

他们构建了一个 行业顶尖的大规模对话语音数据集，具备以下特征：

技术架构核心：从文本 LLM 到语音 LLM

🧠 LLM的通用思路

传统 LLM 的做法是：

把文字切分成 Token → 学会预测下一个 Token → 还原为完整句子

Bland 的方法：

把文字切分 → 预测对应的“音频 Token” → 还原成语音波形

这里的 “音频Token” 是经过 SNAC（光谱归一音频编码器）编码的离散表示，兼顾：

  • 宏观节奏（如语速、停顿）；
  • 微观细节（如发音、音色）。

这种方式让模型可以真正同时掌握“内容+表达方式”，说得对、也说得好。

应用场景与使用人群

1. 🎨 创作者（Creatives）

  • 将文字转为逼真的 AI 语音或音效
  • 支持精细化控制风格和情绪
  • 适合播客、配音、音频小说、影片等内容创作场景

2. 🧑‍💻 开发者（Developers）

  • 可通过 API 接入自己的应用
  • 用于构建自定义语音功能的产品（如语音助手、教育产品、播报系统等）

3. 🏢 企业用户（Enterprises）

  • 搭建AI 客服系统、电话助手等商业语音服务
  • 声音自然真实，客户甚至会把它当作真人保存为联系人
  • 可在网站上直接尝试与 AI 对话

官方介绍：https://www.bland.ai/blogs/new-tts-announcement

快速开始链接：