AI語音合成已經進化到能騙過人耳的地步

三秒鐘。這大概就是現代聲音複製模型要做出以假亂真的聲音複製品所需要的音檔長度——足以從一則 Instagram Reels、一段語音信箱問候,或是一場沒人多想過會被錄下來的工作 Zoom 會議裡截取出來。兩年前,同樣的效果需要好幾分鐘乾淨的錄音室音質,而且聽起來邊緣仍帶著一絲人工的痕跡:這裡的語調有點平板,那裡的換氣時機有點不對。到了 2026 年,這些破綻幾乎已經消失。技術進步的速度,幾乎正好追上了人們失去分辨能力的速度,而這句話的前後兩半,如今正各自推動著兩條即將迎頭相撞的故事線——一條是關於一個正當的內容產業,正競相打造更富表現力、更實用的合成語音;另一條,則是一場誰都沒有真正預料到的安全危機。

Eleven v3 與情感表達的轉折點

ElevenLabs 一向靠語音克隆的逼真度建立起口碑,但這一輪最重要的發布,重點已經不在於複製出的聲音有多像原始樣本,而在於複製出來之後,這個聲音「能做什麼」。Eleven v3 被官方稱為迄今表現力最強的文字轉語音模型,它引入了行內語音標籤功能:像 [whispers](輕聲細語)、[sighs](嘆氣)、[laughs](大笑)或 [excited](激動)這類寫在方括號裡的指令,可以直接插進腳本中,在句子中途改變語氣走向——就像舞台指示引導演員的演出一樣。同一個聲音可以從一句悄悄話,轉為一聲驚呼,再轉回來,聽起來不會像是兩個人的聲音硬接在一起——這正是早期 TTS 世代常見的通病,每段音檔只能選定一種情緒基調,然後從頭到尾維持不變。ElevenLabs 對 v3 的定位相當直白:能「嘆氣、輕聲、發笑、做出反應」的聲音,目標直指有聲書朗讀、遊戲對白與電影配音——在這些場景裡,平板、毫無起伏的朗讀語氣,一直是機器合成音最容易露餡的地方。這個模型如今支援超過 70 種語言,而公司的成長曲線也緊跟著這波突破——ElevenLabs 在 2026 年 5 月的年化營收突破 5 億美元,距離那輪把公司估值推上獨角獸級別的 5 億美元 D 輪融資,不過幾個月時間。

ElevenLabs 不再獨佔的戰場

2026 年更有意思的故事,是排行榜頂端變得多麼擁擠。OpenAI 的貢獻甚至不是靠一個獨立的 TTS 模型——2026 年 5 月,它推出了 GPT-Realtime-2,同時搭配兩個姊妹模型 GPT-Realtime-Translate 與 GPT-Realtime-Whisper,把過去需要三步驟(轉錄、翻譯、再合成)的流程,壓縮成一套具備 GPT-5 級推理能力的單一語音對語音系統。實際效果是:一個語音助理可以聽懂複雜的指令,在對話進行到一半時呼叫工具,並用自然、富有表現力的語音直接回覆,全程不必先轉成文字再轉回語音。而 GPT-Realtime-Translate 現在能把超過 70 種輸入語言的即時語音,翻譯成 13 種輸出語言,而且能跟上說話者的節奏——這和以朗讀為主的 TTS 是截然不同的應用場景。

在另一端,開源陣營也打出了迄今最響亮的一手:Fish Audio 在 2026 年 3 月開源了自家的 S2 模型,這是一套擁有 44 億參數的系統,訓練資料涵蓋超過 80 種語言、超過 1000 萬小時的音檔,如今在 TTS-Arena 的盲測聽眾排行榜上高居榜首——換句話說,就這項指標而言,一個可以免費下載的模型,聲音表現力已經超越了包括 ElevenLabs 自己在內的付費競爭對手。Inworld AI 則靠 Realtime TTS 1.5 Max 模型,拿下了 Artificial Analysis 排行榜的同等桂冠;Cartesia 的 Sonic 模型把串流延遲壓低到大約 100 毫秒,快到讓語音助理的回覆聽起來幾乎和問題本身同一口氣說出來,沒有任何處理延遲的停頓感。這些進展都還不足以撼動 ElevenLabs 在情感細膩度與聲音庫深度上的標竿地位,但「最好的合成語音」不再是單一廠商說了算,大概就是過去這一年間發生的事。如今這已經變成一場表現力、延遲與開放性三方角力的爭論,不同的開發者,會依照自己產品真正需要的那個維度,選出各自心目中的贏家。

當耳朵已經靠不住

這一切進步加在一起,意味著「這個聲音我一聽就認得出來」這句話,已經悄悄不再成立,而它帶來的後果早已超出學術討論的範疇。FBI 估計,去年因 AI 相關詐騙造成的損失總額約為 8.93 億美元,其中聲音複製詐騙——那種「奶奶,我出事了,快匯錢」的電話,如今不再需要一個模仿口音的真人演員,而是由一個只需幾秒鐘公開音檔就能訓練出來的模型來完成——是成長最快、破壞力也格外不成比例的一塊,相關報導顯示,60 歲以上的成年人承受了其中最大比例的損失。安全研究人員在 2026 年進行的公眾調查發現,大約每四個美國人裡就有一個表示自己接過用複製聲音打來的電話,而將近一半的人表示,他們已經無法穩定地在電話中分辨出合成語音和真人聲音——而這正是詐騙電話鎖定的那群人。

制度面的反應同樣耐人尋味。「你的聲音就是你的密碼」——這是銀行與客服中心過去近十年一直在推銷的話術——如今在 2026 年正被積極地棄用,不再被當作單獨可信的安全機制。金融機構正轉向分層驗證,把聲紋比對當作眾多驗證訊號之一,而不是單獨就足以構成證明的依據。偵測廠商則加緊填補這個缺口:像 Resemble Detect 和 Pindrop 的深偽偵測產品,如今已經被整合進客服中心的流程裡,試圖即時標記出合成音檔。獨立測試顯示,部分偵測工具在受控環境下的準確率已經超過 95%——這個數字令人振奮,但同時也留下相當大的空間,讓一次做得夠精緻的聲音複製依然有機可乘,尤其是在實驗室環境之外。對於一般民眾,安全機構反覆重申的建議幾乎刻意保持「低科技」:掛掉電話,改撥你原本就存好的號碼回去;並且事先和家人約定一個從沒在網路上出現過、也無法從公開資料猜出來的暗語。因為不管聽得多仔細,終究不可能聽出一個被刻意訓練成「無法分辨」的模型的破綻。

兩條曲線,同一項技術

這一刻之所以顯得弔詭,並不是因為語音 AI 變得更強了——每一項生成式技術遲早都會如此,這幾乎是排定好的進程。真正弔詭的是,那些為有聲書朗讀者與遊戲工作室量身打造的進步,和那些正在武裝「假冒你孫子」的詐騙電話的進步,其實是同一批改良。Eleven v3 的情感表現幅度、GPT-Realtime-2 的對話流暢度、Fish Audio 低成本的多語言覆蓋——每一項都是貨真價實、有憑有據的產品突破,但每一項同時也在降低那種過去需要真正演技才能完成的詐騙電話的門檻。這項技術不存在「只保留朗讀品質、去掉冒充風險」的版本,因為兩者本來就是同一種能力,只是被指向了不同的劇本而已。這個產業短期內的解方,不會是刻意讓合成語音變差——那條路已經回不去了——而會是想辦法讓沒有人再需要單憑一個聲音,就去確認電話另一端到底是誰。

資料來源: Eleven v3: Most Expressive AI TTS Model Launched, Introducing gpt-realtime and Realtime API updates for production voice agents, Advancing voice intelligence with new models in the API, Most Realistic AI Voices 2026 — Fish Audio, Americans lost nearly $900 million to AI-powered scams, FBI says, AI ‘voice cloning’ scams are on the rise — CNN