微软Azure推出实时互动加文本转语音数字人AI工具

周末聊个新东西：微软Azure刚刚上线了一个文本转语音数字人的功能。

说起来，这已经不是微软第一次在数字人领域出手了。之前那个VASA-1，一张图就能生成视频，大家还有印象吧？

这次Azure悄悄推出的新功能，说白了就是一个能说话、会做表情的AI小人——输入文字，它就能变成带有情感色彩的语音，同时驱动一个数字人形象开口“演”出来。

当然，演示版本有限制。非Azure开发者（没付过钱的那种）只能用一个固定女性形象，而且连台词都是预设好的，改不了。起初还想着从网页源代码下手，看看能不能骗过它——结果微软的技术底子摆在那里，这点小把戏显然行不通。

<iframe allowfullscreen="" frameborder="0" src="https://mp.weixin.qq.com/mp/readtemplate?t=pages/video_player_tmpl&action=mpvideo&auto=0&vid=wxv_3524022292013514760"></iframe>

数字人这个概念，经过英伟达ACE、开源项目、阿里Motionshop等一系列产品的洗礼，现在大家已经不陌生了。但微软这次推出的产品，在综合完成度上确实有自己的亮点。可能有人会说，每次都觉得不错，但小白上手还是费劲——没办法，数字人本身就有技术门槛，门槛越高，可调用的能力也越强。如果只求傻瓜式，剪映也能做，但那个效果……坦白说，太假了。

微软这个数字人的核心能力是：把文字转成自然的语音，同时匹配一个相对生动的虚拟形象。为什么说“相对”？实话实说，从实际生成的视频来看，虽然能眨眼、动嘴、做表情，整体还是能察觉到一丝僵硬。下面就是我用它生成的演示效果。

<iframe allowfullscreen="" frameborder="0" src="https://mp.weixin.qq.com/mp/readtemplate?t=pages/video_player_tmpl&action=mpvideo&auto=0&vid=wxv_3524012748227084294"></iframe>

另一个值得关注的点是，这个数字人可以直接集成ChatGPT-4o。意思是，你搭建完数字人模型和Azure的TTS服务后，就能跟它实时对话，它能听懂问题并即时给出回应。

<iframe allowfullscreen="" frameborder="0" src="https://mp.weixin.qq.com/mp/readtemplate?t=pages/video_player_tmpl&action=mpvideo&auto=0&vid=wxv_3524104498811633664"></iframe>

搭建过程会不会很复杂？微软很贴心地提供了示例代码，专门用于集成文本转语音数字人与GPT-4o模型。而且说话时，数字人还能配合内容做出表情——眨眼、动嘴这些都是基本功。不过需要客观说一句，微软的语音合成技术虽然有感情色彩，但跟真人自然流露还是存在差距。

说到实际应用场景，这个项目的想象空间确实不小：

1. 在线客服
   ——比起冷冰冰的文字回复，一个会动会说话的AI客服显然更有人情味。

2. 虚拟导游
   ——针对旅游景点做定制化服务，24小时在线的AI导游随时解答游客问题。

3. 数字讲解员
   ——比如无人售卖柜，接入这个数字人做AI讲解，就不需要额外配人手了。

整体来看，微软这个项目在体验和功能上都做得相当完整。最后把几个核心特性梳理一下：

1. 自然声音视频
   ：文字输入后自动生成自然语音配数字人视频。

2. 预生成虚拟形象
   ：提供一批现成的虚拟形象供选择。

3. 多语言支持
   ：覆盖英语、中文、日语等多种语言。

<iframe allowfullscreen="" frameborder="0" src="https://mp.weixin.qq.com/mp/readtemplate?t=pages/video_player_tmpl&action=mpvideo&auto=0&vid=wxv_3524050447621292033"></iframe>

4. 高质量视频输出
   ：支持1920×1080分辨率、25帧/秒，画面流畅清晰。

5. 自定义虚拟形象
   ：录制10分钟视频，就能创建专属数字人，还能自定义背景。下面这个演示就是我用Midjourney生成背景图后上传的效果。

<iframe allowfullscreen="" frameborder="0" src="https://mp.weixin.qq.com/mp/readtemplate?t=pages/video_player_tmpl&action=mpvideo&auto=0&vid=wxv_3524016458088972294"></iframe>

6. 实时互动
   ：Speech Studio里的实时聊天工具，可以直接跟数字人对话。

7. 无代码创建
   ：不会写代码？Speech Studio提供了可视化内容创建工具，小白也能上手。

8. 大语言模型集成
   ：支持接入GPT-4o等大模型，对话更智能。

看完这些功能，不得不感叹微软这次考虑得相当周全，从形象创建到实时互动再到模型集成，几乎是端到端地给了一条完整链路。

当然，目前语音TTS用的还是微软自己的方案，虽然提供了超过500种神经语音，但如果未来能让用户克隆自己的语音——比如用自己的声音创建数字分身，24小时在线回答粉丝问题——那体验就真的可以称得上“酷”了。这个方向，值得持续关注。