语音AI本周大事：Mistral和ElevenLabs同天开打，日本声优正式立规矩

Mistral Voxtral 3：语音Agent的全家桶来了

10月21号，Mistral AI正式推出Voxtral 3。这不是一款单纯的TTS模型，而是一整套语音智能体方案。

拆开来看：

• Voxtral Small Transcribe 3：转录模型，支持50多种语言，带说话人分离和上下文偏置（可以预先提供术语、人名提升识别准确率）
• Voxtral Mini Transcribe 3：40亿参数的轻量版，每分钟0.0035美元
• Voxtral Speech 3：TTS模型，35种语言、50多种方言，能根据上下文调整情绪和语速。Pro Voice功能用30分钟音频就能克隆声音
• LiveKit Agent SDK：把转录、推理、工具调用、语音生成串成一条实时管线，对话轮次控制在1秒以内

价格方面，转写每分钟0.0035到0.008美元，TTS每百万字符13美元。支持API调用，也支持私有化部署。

有意思的是它的模块化设计。转录、推理、发声三个环节可以分别替换——你可以用Mistral的转录模型，接自己的大模型做推理，再用它的TTS输出。对呼叫中心、车载助手这类需要定制的场景来说，这种灵活性比"全家桶一把梭"更实用。

ElevenLabs Realtime：同天开火

巧了，ElevenLabs也在同一天放出了Realtime语音Agent平台。有媒体把10月21号叫"语音智能体对撞日"。

ElevenLabs的路线和Mistral不同。它不拆模块，直接给你一个端到端平台：基于v4和v4 Turbo模型，90多种语言，10秒音频克隆声音，延迟低于100毫秒。用户说话、Agent理解、调用工具、语音回复，整个流程一气呵成。

v4模型本身是9月底发布的，主打情感表达——同一段文字，它能根据上下文调整语速、情绪和停顿。支持叠加多个情感标签，做更细腻的语气控制。日语、普通话、粤语的合成质量比上一代好了不少。

ElevenLabs今年的增长很猛。年初年化收入3.3亿美元，现在已经超过6亿，员工800多人，估值110亿。企业通话业务占了55%以上。这次Realtime平台上线，明显是冲着语音客服和语音Agent的商业市场去的。

日本演员协会：声音不能随便用了

10月15号，日本演员协会（JAU）发布了首版生成式AI声音使用准则。20号消息传开，国内媒体跟进报道。

准则的核心内容：

• 声音复刻的每个环节都必须获得演员本人同意——数据采集、模型训练、最终输出，一步都不能少
• 经授权生成的AI语音被视为一种"表演"，企业需要向演员支付报酬或版税
• 禁止复刻已故演员的声音，除非生前已明确授权，且还需获得家属和经纪公司许可
• AI翻译配音必须保持原表演的"艺术完整性"，未经许可不得用于海外
• 授权有效期最长一年，反对一次性买断

发布会上，给《龙珠》孙悟空配音的野泽雅子说了一句话："未经许可使用我的声音，和盗窃没有区别。"

这份准则有约2600名配音演员和演员会员背书，是日本首批针对AI语音的行业规范。虽然它不是法律，没有强制力，但信号很明确：声音版权在全球范围内都在收紧。

对国内创作者来说，如果你的内容涉及出海，或者用了真人声音做克隆素材，这件事值得认真对待。国内方面，民法典已经明确声音权受保护，国家安全部上个月也发文警示了AI语音深度合成的三大风险。

VoiceStudio：ElevenLabs的开源本地替代品

10月19号，有人扒了一下VoiceStudio这个项目。它前身叫OmniVoice-Studio，9月上了GitHub Trending，现在star数已经过了4万。

简单说，它把16个TTS引擎和11个语音识别引擎打包到一个桌面应用里，支持646种语言，全部本地运行。不需要账号、不需要API Key、不需要订阅。

核心能力包括零样本声音克隆（3-15秒音频）、声音设计（不克隆真人，用参数合成新声音）、视频配音、有声书生成。技术栈是Tauri壳加FastAPI后端，还提供了OpenAI兼容API和MCP服务接口。

代码是AGPL-3.0协议，但要注意，里面集成的各个TTS引擎各有各的许可条款。商用前得逐一确认。

这些事情放在一起看

本周的消息放在一起，有一个趋势比较清楚：语音AI正在从"生成工具"变成"交互基础设施"。

以前TTS的用法是：写好文案，生成音频，放到视频里。现在Mistral和ElevenLabs在做的事情是：让AI实时听你说话、实时思考、实时用语音回答。这就是语音智能体和普通TTS的区别。

做AI客服、游戏NPC、车载助手、免提操作——这些场景需要的不是"把字念出来"，而是"像人一样对话"。Mistral的模块化SDK和ElevenLabs的端到端平台，分别代表了两种实现路径。

与此同时，声音版权的口子在收紧。日本立了规矩，国内也在跟进。以后用AI克隆真人声音，合规成本会越来越高。用自己的声音、用授权的音色库，或者用开源模型本地跑，是更稳妥的选择。

如果你只是做短视频配音、有声书这些不需要实时交互的场景，浮云梦配音（fuym.cn）依然是最简单的方案——手机浏览器打开，上百种音色随便选，不用折腾部署。