问：2025年，在全球AI平台HuggingFace发布的TTS Arena榜单上，烁谷科技自研的 Vocu V3 语音合成模型登顶世界第一。这一创新的起点是什么？
答：我在巴黎大学求学期间，做过一个叫“木几萌”的AI虚拟主播项目，当时在B站收获了很高的关注度。
这个虚拟主播在说话内容、行为、思维逻辑等方面都比较“像人”，但唯独声音还是非常僵硬，很有机械感。我们找遍了市面上所有的技术方案，都没有找到能匹配预期的效果。我们想，干脆就自己来，用生成式大模型的思路来做声音合成，最后发现效果非常好，这才一步步延伸出完整的产品路径。
问：后面你从巴黎大学休学回国创业，为什么如此坚决？
答：核心原因是AI行业的机会窗口不等人，这是全球都在抢的风口。全球的语音市场已经到了千亿美元以上的量级，行业的终极目标是打破人机交互的“恐怖谷”，让AI能够真的像人一样说话。
这一轮AI技术迭代的速度太快了，如果按部就班，时机就错过了。当时，我们的产品已经展现出明显技术优势，也有风险投资愿意支持，所以我很快就决定回国创业。
成果也比较显著。我们打造了名叫“悟声”的语音大模型，仅需3秒的样本就能瞬时克隆音色，相似度在99.5%以上，一下就击中了市场痛点，上线仅3个月用户量就突破百万。
问：AI产业竞争激烈，市场上大厂云集，你的底气从何而来？
答：AI这个行当，规模大不是核心优势，速度快才是。用生成式AI做音频合成，我们抢跑在很多大厂前面将近一年。另外，我们团队在音频领域有独到的认知和审美，技术先发和领域深耕的叠加效应，让我们能打造出真正有竞争力的产品。
面对越来越白热化的竞争，保持领先的关键是敢于更大胆地设想创意，同时又以极高效的方式落地实施。现在AI行业很多人热衷于堆参数、拼规模，但音频领域真正重要的是对新想法、新技术的快速迭代和探索能力。
中鑫优配提示：文章来自网络，不代表本站观点。
