← 返回 Blog
UseAIAPIAI API2min

ElevenLabs 最贵的"语音微调"，Gemini 打算用四个滑杆免费塞进手机

2026 年 7 月 16 日，9to5Google 在谷歌 App 17.41.12 Beta 的 APK 里挖出一组代码——四项参数标签：语速、活力感、正式度、亲和度，顶部标着「自定义音色」。 ElevenLabs 专业版 99 美元/月才能摸到的精细调参，Gemini 打算压成四根滑块，装进每台安卓手机，免费开。

GeminiGemini 打算做成四根滑块免费装进手机

ElevenLabs 每月 99 美元的语音微调，Gemini 打算做成四根滑块免费装进手机

AI 语音行业里，一直有一条不算明说但大家都懂的线。

顶端是 ElevenLabs。它的 Eleven v3 在 Artificial Analysis 语音合成（TTS）评测里 Elo 1182，音质和情绪表现力被公认为行业标杆。但标杆意味着门槛——入门 5 美元/月、创作者 22 美元/月、专业版 99 美元/月，想用最顶的那档"语音微调"（音调、共振峰、沙哑度等 16 维参数），得再掏钱解锁。

2026 年 7 月 16 日，9to5Google 在谷歌 App 17.41.12 Beta 的 APK 里挖出一组代码——四项参数标签：语速、活力感、正式度、亲和度，顶部标着「自定义音色」。

ElevenLabs 专业版 99 美元/月才能摸到的精细调参，Gemini 打算压成四根滑块，装进每台安卓手机，免费开。

ElevenLabs 那 16 维，值在哪

ElevenLabs 的调控能力在行业里跑得最早。v3 支持嵌[旁白]、[笑声]、[凝视]这类行内标签调语气；"语音重塑"可以用自然语言提示 + 自定义参数，调音色性别、口音、说话风格、节奏、音质；专业版给 44.1kHz PCM 格式 API 输出，16 维音色调参全开。

但门槛也明摆着：

  • 免费档只给 3 个自定义音色；

  • 创作者 22 美元/月才能用专业音色克隆；

  • 专业版 99 美元/月，解锁最高音质 + 更多音色额度；

  • 所有 TTS 都烧点数，每 1000 字符扣一次——想精细调，先续费，持续烧。

ElevenLabs 的底色很清晰：语音微调是专业工具，专业工具就该商业化。

Gemini 这四根滑块，走的是另一条路

Android Authority 给现阶段 Gemini 语音下过判词——"非此即彼"模式：从"奥比特""飞马""大熊座"里挑一款，全盘接受它所有特质；不满意，换一款，继续将就。

四根滑块想改的就是这个：

  • 🎚️ 语速：慢 / 标准 / 快，管每分钟吐词量；

  • 🎚️ 活力感：低 / 中 / 高，管情绪张力，独立于速率；

  • 🎚️ 正式度：低 / 中 / 高，管距离感——聊出行调低，读研报调高；

  • 🎚️ 亲和度：低 / 中 / 高，管温度，分"带笑意"和"纯客观"。

Android Authority 特意点了那处关键设计：语速和活力拆成两根独立滑块。前者管"每分钟吐多少词"，后者管"脱离速率的情绪表现力"——AI 可以语速快但情绪平（高速+低活力），也可以语速缓但感染力强（低速+高活力）。俩绑同一根滑块，这些中间态全没了。

更实用的一点：这套设置同时适配 Gemini Live 实时对话 + 普通聊天，一次调，全局永久生效。对比 ElevenLabs 那边"每 1000 字符扣点数"的持续消耗，这边是"调一次管到底"——模式根本不一样。

从 99 美元到免费滑块，差的不仅是价格

把 ElevenLabs 专业版和 Gemini 四滑块放一起，能看见的不是"谷歌抄 ElevenLabs"，是两家对'语音微调归谁'给的答案不一样。

ElevenLabs 服务专业创作者——播客主、配音棚、跨国营销 agency。给 16 维参数，是因为这些从业者真要拧到那么细。但代价是普通用户面对一排专业术语（共振峰、沙哑度）无从下手，且得持续续费。

Gemini 这四根滑块给的是所有人。你不必懂共振峰，但你知道"想让 AI 说得快点还是慢点、亲和点还是严一点"。谷歌把语音底层调控压成四个维度，普通人不用读说明书就能拧——这是把专业工具下沉成大众基础配置的路数。

对照一下苹果：iOS 27 给 Siri 加了两滑块——语速（Pace）和表现力（Expressivity）。谷歌直接铺到四项，还多踩"活力感""亲和度"这两档情绪表达。Android Authority 拆 APK 时提了句：滑块界面已调得出来，但还没接后端，拖了暂不生效——离正式上线还有段距离，但产品方向已经钉了。

业内现在的共识是：语音助手下一赛段不止比"听懂没"，还要比"交互里的情绪适配"。更细的调控能弱掉那股机器感。谷歌选的是深挖语音人格塑造 + 走普惠免费；ElevenLabs 选的是专业档 + 商业化收费——两条路，各有各的客。

从 3.1 Flash TTS 到四滑块，Gemini 语音这条路已经铺了两段

其实这套"下沉"不是第一次见。2026 年 4 月 Gemini 3.1 Flash TTS 上线时，谷歌就给开发者递过一把"精密手术刀"——200+ 音频标签、1211 Elo、70+ 语种、双人对话，那时候是给企业和开发者用的（前文聊过）。三个月后 APK 里这四根滑块，是把同一套底层能力从"开发者 API"压到"普通用户设置面板"。

技术上限（3.1 Flash TTS 的 200+ 标签）→ 大众入口（App 四滑块），谷歌这段路已经验过"能不能精细控"，现在在验"能不能让普通人愿意控"。

至于能不能走通，瓶颈早不在技术——3.1 Flash TTS 那关已过。剩下就看谷歌愿不愿意真把"捏专属声线"从开发者工具包，交到每个普通用户手上。从 APK 这几段代码看，倾向是"给"。

语音往"可调普惠"走，模型侧也得跟上

四滑块这事看着是 C 端功能，但对跑 Gemini 语音的团队来说，背后那头也在变：Gemini Live 常开 + 多模态流式 + 如果再叠 Claude Code 那套 /goal /loop /schedule 循环（前几篇聊过），token 是细水长流地烧，不是脉冲式。单模型绑死全链路既不灵活也不划算，现在不少团队的实操是分层切：Gemini 主力扛语音和多模态、Claude 写循环逻辑、GPT-5.6 攻坚长推理、DeepSeek 补性价比。

像 UseAIAPI​ 这类把 Gemini、Claude、ChatGPT、DeepSeek 等最新主流模型聚在一起的接入服务，近期在开发者圈提得越来越多：省掉逐个签约、逐个适配的麻烦；企业侧可以按自身产品节奏做定制封装，语音助手、Agent 循环、多模态应用都能直接嵌；价格层面，官方定价 5 折起，对"实时对话 + 循环常开 + 多模态"这类细水长流烧 token 的场景，预算比较好控。

ElevenLabs 把语音微调做成 99 美元/月的专业增值，Gemini 想把它压成四滑块免费装进每台手机——两边是两套判断。但不管哪套，模型接入那头灵活不起来，账都松不了。