“語音身份”與“語音秩序”：ElevenLabs引發(fā)的數(shù)字聲音景觀重構(gòu)及其風(fēng)險

摘要：人工智能技術(shù)的突飛猛進(jìn)正在重塑人類感知和理解世界的方式。繼Midjourney、Stable Diffusion等引領(lǐng)視覺生成式AI掀起新浪潮后，以ElevenLabs為代表的先進(jìn)語音合成平臺也標(biāo)志著音頻生成式AI的崛起。ElevenLabs憑借其高度擬真、富有情感、支持個性化定制的AI合成語音，造就了一種前所未有的聲音景觀，但也帶來了人聲合成泛濫對“語音身份”認(rèn)同的解構(gòu)與沖擊，由此造成社會傳統(tǒng)“語音秩序”的崩潰和重構(gòu)，帶來語音身份多變與身份識別困境、語音身份盜用與社會信任危機(jī)、數(shù)字語音規(guī)訓(xùn)與意識形態(tài)操控、虛假語音煽動與社會沖突威脅等風(fēng)險。

關(guān)鍵詞：ElevenLabs；語音身份；語音秩序；數(shù)字人；人機(jī)共生；技術(shù)向善

中圖分類號：G206.3 文獻(xiàn)標(biāo)識碼：A 文章編號：1674-3180（2025）01-0048-09

聲音，歷來不僅是個體身份的標(biāo)識，更是情感的載體、記憶的容器，是人與人之間最為私密也最為真實(shí)的紐帶。每一個熟悉的聲音都在編織著我們的情感地圖，構(gòu)建著我們的社會信任。然而，隨著以ElevenLabs為代表的新一代語音合成技術(shù)的橫空出世，傳統(tǒng)的聲音景觀開始出現(xiàn)深刻的變化，這一變化意味著人類社會生活的一種全新可能，同時也構(gòu)成了對人類文明韌性的深刻考驗(yàn)。

一、ElevenLabs：智能語音技術(shù)的突破

2024年年初，Sora橫空出世，繼ChatGPT之后，引起了社會新一輪關(guān)注和討論，使“人工智能生成內(nèi)容”（Artificial Intelligence Generated Content， AIGC）又一次成為全球關(guān)注的焦點(diǎn)。[1]而正當(dāng)大家對文生視頻大模型的討論方興未艾時，一款文字轉(zhuǎn)語音（Text-To-Speech， TTS）的AI工具——ElevenLabsa面世，再次帶來了新的震撼：僅需30秒到5分鐘左右的極少的數(shù)據(jù)集，就可以直接克隆任何一個人的聲音，完美復(fù)刻他（她）的說話方式、音色，甚至連他（她）的情緒都能復(fù)刻。最先進(jìn)之處在于，操作者不需要再額外進(jìn)行任何操作，就可以直接用同樣的聲音，流暢地說出數(shù)十國的語言。

傳統(tǒng)的語音合成多采用參數(shù)合成或拼接合成方法，依賴大量人工調(diào)校和語料積累，其生成的聲音在自然度、情感表現(xiàn)力上都難以與人聲相媲美。ElevenLabs開創(chuàng)的“端到端”語音合成范式，標(biāo)志著智能語音技術(shù)的革命性突破。

（一） ElevenLabs的技術(shù)創(chuàng)新

ElevenLabs的AI模型能夠直接建模原始語音信號，通過海量真實(shí)語音數(shù)據(jù)的自主學(xué)習(xí)，掌握語音合成的內(nèi)在規(guī)律。[2]其突出優(yōu)勢體現(xiàn)在以下幾個方面：

首先，ElevenLabs率先實(shí)現(xiàn)了真正意義上的“端到端”語音合成。b有別于傳統(tǒng)的聲學(xué)特征抽取、中間表征映射等繁復(fù)步驟，其AI模型直接對原始語音信號進(jìn)行神經(jīng)網(wǎng)絡(luò)建模，并通過“端到端”的生成式對抗網(wǎng)絡(luò)（GAN）進(jìn)行模型優(yōu)化，最終實(shí)現(xiàn)從原始語音到合成語音的直接轉(zhuǎn)換。這不僅大幅提升了訓(xùn)練和生成效率，也讓合成語音更加貼近人聲?！岸说蕉恕狈妒降耐黄菩砸饬x不僅在于簡化了語音合成流程，更在于開辟了一條全新的技術(shù)路線，為下一代語音合成系統(tǒng)的發(fā)展指明了方向。

其次，ElevenLabs的合成語音在韻律、情感等細(xì)微特征的表現(xiàn)力上實(shí)現(xiàn)了質(zhì)的飛躍。傳統(tǒng)語音合成往往需要海量的專業(yè)錄音語料庫，才能在情感表達(dá)上取得有限的突破。而ElevenLabs借助深度學(xué)習(xí)技術(shù)，通過對海量真實(shí)語音數(shù)據(jù)的挖掘，充分學(xué)習(xí)了語音韻律、停頓、語氣等表征人類情感的關(guān)鍵特征。此外，其獨(dú)創(chuàng)的情感編碼模塊，可以根據(jù)文本情感和說話人特征，自動推斷合成語音的情感狀態(tài)，并進(jìn)行實(shí)時調(diào)整。由此，其合成語音不再是冷冰冰的“機(jī)器音”，而是一種飽含情感、栩栩如生的“類人聲”。

再次，ElevenLabs開創(chuàng)性地實(shí)現(xiàn)了語音的“few-shot learning”（少樣本學(xué)習(xí)）。得益于其AI模型卓越的遷移學(xué)習(xí)能力，用戶只需提供幾分鐘的目標(biāo)音色樣本，即可快速訓(xùn)練出一個與原聲難以區(qū)分的定制化語音。這種能力過去被視為語音合成的“終極挑戰(zhàn)”，如今卻被ElevenLabs輕松攻克。由此，個性化AI語音的生成門檻被大幅拉低，為亞馬遜的Alexa、蘋果的Siri等智能語音助手的全面升級鋪平了道路。c

（二） ElevenLabs的應(yīng)用前景與行業(yè)變革

可以預(yù)見，ElevenLabs引領(lǐng)的技術(shù)變革必將掀起智能語音應(yīng)用的新一輪革命浪潮。

高度擬真的語音克隆技術(shù)，為語音產(chǎn)業(yè)帶來了空前的可能。從有聲讀物、游戲配音、語音導(dǎo)航到虛擬偶像，ElevenLabs等智能語音系統(tǒng)的問世昭示著人工智能正加速滲透內(nèi)容生產(chǎn)的各個領(lǐng)域。尤其是其逼真的音色模擬以及音頻內(nèi)容的實(shí)時生成能力，不啻為聲音藝術(shù)注入了新的活力。譬如，在廣播劇創(chuàng)作中，AI配音的介入既能極大地提升制作效率，又能通過海量音色庫催生更多個性化的人物形象。再如，在有聲讀物領(lǐng)域，ElevenLabs不僅能還原名人原聲，還可為普通大眾定制“私人專屬”的聲音助手。種種技術(shù)紅利的持續(xù)釋放，無疑將助推泛語音產(chǎn)業(yè)迎來井噴式的發(fā)展。

高度擬真的語音克隆技術(shù)，為情感互動帶來了空前的可能。更多個性化的聲音形象有望脫穎而出，與用戶建立更加情感化的聯(lián)結(jié)。另一方面，類人的AI之聲與情感計(jì)算、心理分析技術(shù)的結(jié)合，也將催生出虛擬心理咨詢師、智能語音社交等一系列功能性和情感性俱佳的創(chuàng)新應(yīng)用，由此開啟人機(jī)混生的嶄新圖景。

高度擬真的語音克隆技術(shù)，更為社會生活領(lǐng)域帶來了空前的可能。在教育領(lǐng)域，聲音技術(shù)為個性化學(xué)習(xí)提供了有力支持。例如，針對有閱讀障礙的學(xué)生，通過調(diào)整語音速度、語調(diào)及添加語義強(qiáng)調(diào)等方式，能幫助他們更好地理解學(xué)習(xí)內(nèi)容。一些在線學(xué)習(xí)平臺利用聲音合成技術(shù)，為這類學(xué)生定制專屬的有聲學(xué)習(xí)資料，大大提高了他們的學(xué)習(xí)效果。實(shí)證研究表明，使用語音合成輔助學(xué)習(xí)工具的學(xué)生，語言學(xué)習(xí)成績平均提高10—15分（滿分為100分）。[3]在語言學(xué)習(xí)方面，模擬真實(shí)語境下的多語種語音對話，為學(xué)生提供沉浸式語言學(xué)習(xí)環(huán)境，能有效提升語言聽說能力。在醫(yī)療保健領(lǐng)域，聲音技術(shù)同樣發(fā)揮著重要作用。對于視障人群，高質(zhì)量的語音合成技術(shù)將文字信息轉(zhuǎn)化為清晰、自然的語音，使他們能夠無障礙獲取醫(yī)療資訊、健康科普等內(nèi)容。在康復(fù)訓(xùn)練中，定制化的語音引導(dǎo)被應(yīng)用于語言康復(fù)訓(xùn)練，通過精準(zhǔn)控制語音節(jié)奏、音高和音量，輔助患者進(jìn)行發(fā)音矯正與語言功能恢復(fù)。[4]聲音技術(shù)的融入不再僅僅是簡單的功能補(bǔ)充，還彰顯了深刻的人文內(nèi)涵和對社會公平正義的切實(shí)探索。

與此同時，ElevenLabs開啟的語音合成技術(shù)變革，也為人工智能產(chǎn)業(yè)生態(tài)和社會形態(tài)圖景的深刻重塑埋下了伏筆。當(dāng)下，以O(shè)penAI、DeepMind為代表的科技巨頭正憑借算法和算力優(yōu)勢，力圖主導(dǎo)通用人工智能的發(fā)展方向。而ElevenLabs在智能語音合成領(lǐng)域的突破性進(jìn)展，無疑為這場人工智能競賽再添一把火?？梢灶A(yù)見，谷歌、微軟、蘋果等科技巨頭勢必將語音合成視為人工智能布局的戰(zhàn)略高地，由此加劇行業(yè)競爭的復(fù)雜性。ElevenLabs的開放平臺戰(zhàn)略，為全球開發(fā)者參與語音模型的開發(fā)、優(yōu)化、商業(yè)化提供了機(jī)會，但能否撼動寡頭壟斷的局面還有待觀察。隨著技術(shù)創(chuàng)新加速演進(jìn)，智能語音行業(yè)的格局想必還將出現(xiàn)新的變數(shù)。

進(jìn)而言之，ElevenLabs開創(chuàng)的語音合成新范式既為人機(jī)協(xié)同、產(chǎn)業(yè)創(chuàng)新、社會進(jìn)步開啟了想象空間，也對人類主體性、文化認(rèn)同、公共生活帶來新的挑戰(zhàn)。

二、數(shù)字時代“語音身份”的重塑及其挑戰(zhàn)

在人類文明的長河中，聲音始終以一種獨(dú)特的方式印刻著個體存在的痕跡。先秦那一枚枚按壓在竹簡木牘上的手印，見證了古人對生物特征與身份認(rèn)同關(guān)系的深刻理解。其實(shí)，在漫長的歷史進(jìn)程里，聲音，這個看似易逝卻又深深嵌入人類記憶的存在，承載了比指紋更為豐富的意涵。隨著以ElevenLabs為代表的智能語音技術(shù)的飛速發(fā)展，個體“語音身份”的建構(gòu)方式正面臨前所未有的重塑。

（一）聲紋作為“語音身份”的標(biāo)識曾具有獨(dú)一無二的價值

語音的獨(dú)特性深深植根于其生理基礎(chǔ)之上。從人類發(fā)聲機(jī)制來看，聲帶作為發(fā)聲的核心器官，其長度、厚度以及緊張度的個體差異構(gòu)成了聲音獨(dú)特性的物理基礎(chǔ)。

進(jìn)而言之，這種差異不僅體現(xiàn)在聲帶的物理屬性上，更反映在整個發(fā)聲系統(tǒng)的協(xié)同運(yùn)作中，這一組合既復(fù)雜又穩(wěn)定，形成了各自獨(dú)特的節(jié)奏韻律和音高變化。這些聲學(xué)特征相互交織，形成了如同指紋般獨(dú)一無二的聲紋模式，為個體身份的精準(zhǔn)識別提供了可靠的聲學(xué)標(biāo)識。正是這種聲學(xué)特征的多維組合，使聲紋在身份識別領(lǐng)域具有獨(dú)特的應(yīng)用價值，由此形成了習(xí)焉不察但極其重要的“語音身份”建構(gòu)問題。

“你是誰，你從哪兒來，你到哪兒去”，這一“門衛(wèi)問題”，也就是“身份問題”，向來被認(rèn)為是人類社會生活最重要的問題。所謂“身份”（identity），“通常指的是一個人或?qū)嶓w的獨(dú)特特征、特性或?qū)傩?，用來識別和區(qū)分這個人或?qū)嶓w。身份可以包括個體的姓名、性別、年齡、民族、國籍、職業(yè)、文化背景、宗教信仰、性取向等各種方面”[5]。“語音身份”，指的就是特定個體借助語音而構(gòu)建出的主體地位。

“語音身份”絕非單一要素的線性組合，而是多重因素矛盾運(yùn)動的復(fù)雜系統(tǒng)，是個體將生理稟賦、心理特質(zhì)、社會屬性、文化認(rèn)同等多重因素物化于語音形態(tài)，并在傳播互動中獲得主體性確認(rèn)的動態(tài)過程。作為人之為社會存在物的基本標(biāo)識，“語音身份”的建構(gòu)有如下意義：一是語音的生理屬性，包括發(fā)聲器官結(jié)構(gòu)、基頻范圍等決定音色的先天稟賦；二是語音的心理特質(zhì)，包括表達(dá)意圖、情感態(tài)度等影響語音韻律的主觀因素；三是語音的社會指認(rèn)，包括階層、地域、種族、性別、職業(yè)等影響語音形態(tài)的社會身份；四是語音的文化內(nèi)涵，包括時代主流審美、意識形態(tài)話語等對語音風(fēng)格的規(guī)訓(xùn)機(jī)制。諸如20世紀(jì)20年代北京出現(xiàn)的“女國音”、西方社會語言學(xué)者討論的“女性語體的聲音表征”等，不僅意味著某種語音上的聲學(xué)特征，更意味著一定社會身份的建構(gòu)。

在漫長的歷史演化中，“人發(fā)其音”“聽音識人”早已深刻地融入人類的認(rèn)知模式，以至于形成了一種比政治身份、文化身份、經(jīng)濟(jì)身份等更隱蔽卻更深刻的身份標(biāo)記，從而支配著我們的行動與認(rèn)知。

（二）數(shù)字聲音正對“語音身份”造成空前的解構(gòu)

ElevenLabs的崛起正從根本上解構(gòu)“語音身份”的傳統(tǒng)建構(gòu)邏輯，并重塑個體認(rèn)同的話語圖景。

數(shù)字聲音的發(fā)展直接威脅著“公眾人物”語音身份的維護(hù)。無論播音主持、影視演員、社會名流還是政治領(lǐng)袖，都具有特定的語音身份，這一身份不僅意味著一種“主體建構(gòu)”的過程，更意味著一種特定權(quán)力。[6]ElevenLabs開創(chuàng)的超寫實(shí)語音克隆技術(shù)，使個人專屬的語音特征，如聲紋、音色、腔調(diào)等生物識別信息，變得前所未有地易于模仿。這固然為普通用戶打開了扮演他者的想象空間，卻也讓公眾人物產(chǎn)生了語音身份被盜用的焦慮。聲音的唯一性是個體同一性得以確立的重要前提，然而語音克隆卻讓這種獨(dú)特性蕩然無存。當(dāng)一個人的聲音可以被任意復(fù)制，其身份認(rèn)同所依賴的穩(wěn)定性無疑遭遇了解構(gòu)。[7]尤其是對公眾人物而言，當(dāng)你的魅力元素可以不受控制地被無限復(fù)制，你還能宣稱擁有一個穩(wěn)固的“公共形象”嗎？

進(jìn)而言之，ElevenLabs引領(lǐng)的高度擬真語音合成浪潮，還從更深層次上動搖了幾乎所有個體語音身份認(rèn)同的根基。在算法賦能下，虛擬人聲不但在音色、語調(diào)等表層特征上亂真，更在情感、個性等深層風(fēng)格上實(shí)現(xiàn)了以假亂真。這意味著，當(dāng)下個體語音身份所依賴的差異性正面臨消解的危機(jī)。倘若人人都能模仿他人之聲，誰還能說自己擁有獨(dú)一無二的嗓音？當(dāng)個體難以用穩(wěn)定一致的聲音特征彰顯自我，語音難道不是淪為了可以被無限篡改的符號游戲？可以想見，當(dāng)社會語音差異被數(shù)字技術(shù)抹平，個體語音身份歸屬感將日益模糊。

更令人警醒的是，商業(yè)化驅(qū)動下大行其道的數(shù)字虛擬人設(shè)，亦將“造音”技術(shù)的身份雜糅效應(yīng)推向極致。當(dāng)虛擬偶像大行其道，其高度擬真、極富感染力的聲音背后，究竟映射的是誰的情感，塑造的又是什么樣的人設(shè)？在人格面具的無限疊加中，個體的自我何以安放？這一切都預(yù)示著，當(dāng)算法掌控了語音生產(chǎn)的話語權(quán)，個體語音身份認(rèn)同的主體性將面臨全面瓦解。

三、數(shù)字時代“語音秩序”的崩潰與重構(gòu)

身份的本質(zhì)不僅是個體主體性的建構(gòu)過程，更是“社會秩序”的建構(gòu)過程?！罢Z音身份”同樣如此，它不僅意味著某個個體的聲音特征和主體地位的建構(gòu)，更意味著由此而來的“語音秩序”的崩潰與重構(gòu)。

任何社會的正常運(yùn)行都會體現(xiàn)為一定的秩序，所謂“語音秩序”（speech order）是指人類通過語音交互所形成的社會性規(guī)則與結(jié)構(gòu)系統(tǒng)，旨在協(xié)調(diào)語音行為、維護(hù)溝通效率、保障信息傳遞、確保個體與群體在語言交流中的權(quán)益平衡。其核心是通過技術(shù)規(guī)范、社會倫理、文化共識和法律約束，對語音的產(chǎn)生、傳播、接收及反饋進(jìn)行系統(tǒng)性管理。這不僅意味著當(dāng)代語音技術(shù)（如語音識別、合成、存儲）普及帶來的新型社會關(guān)系與矛盾，更意味著一種基于歷史形成的相對穩(wěn)定的語音實(shí)踐模式。它規(guī)定了在特定社會中什么樣的語音形式被視為合法、正當(dāng)和規(guī)范，由此形塑了社會成員的日常語音互動方式，影響著語音資源的社會分配，旨在揭示語音實(shí)踐如何受到社會結(jié)構(gòu)、權(quán)力關(guān)系、意識形態(tài)等因素的制約，進(jìn)而再生成特定的社會秩序。

“語音秩序”可以被視為一種社會話語秩序的體現(xiàn)，它通過語音、語體和風(fēng)格來實(shí)現(xiàn)對社會秩序的表達(dá)。在語言學(xué)層面，“語音秩序”強(qiáng)調(diào)語音的標(biāo)準(zhǔn)化和規(guī)范性，例如語音的發(fā)音、語調(diào)等方面的統(tǒng)一性；在社會文化層面，“語音秩序”反映了語音在社會互動中的功能，如身份標(biāo)識、文化傳播、社會認(rèn)同等；在技術(shù)層面，“語音秩序”涉及語音技術(shù)的應(yīng)用、語音數(shù)據(jù)的管理和隱私保護(hù)等。

（一）“語音秩序”的社會認(rèn)知圖式變化

在社會認(rèn)知領(lǐng)域，聲音不僅是一種物理聲學(xué)信號，更是個體身份在社會互動中的重要象征。從心理學(xué)角度而言，個體對聲音的感知與識別，是基于長期的社會學(xué)習(xí)和記憶形成的。在日常社會交往中，人們通過聲音所傳達(dá)的信息，如語調(diào)、語氣、方言特征等，構(gòu)建起對他人身份、性格、社會角色等方面的認(rèn)知圖式。

從社會建構(gòu)論的視角審視，個體“語音身份”的形塑，本質(zhì)上是自我建構(gòu)和社會指認(rèn)的動態(tài)過程。身份建構(gòu)既是個體通過話語表達(dá)傳遞自我、獲得認(rèn)同的過程，也是社會集體通過語言符號將個體納入特定群體的“歸類”過程。換言之，個體語音身份的同一性，既取決于自我聲音表達(dá)的連貫性，也受制于社會評價體系的一致性。[8]然而，ElevenLabs重塑的數(shù)字語音景觀卻從兩個方面加劇了這一身份認(rèn)同的不確定性。一方面，數(shù)字語音時代自我表達(dá)方式的革新，客觀上加劇了語音身份認(rèn)同的“去中心化”傾向。互聯(lián)網(wǎng)語音社區(qū)的興起，使個體獲得了更多借助聲音展演自我的機(jī)會。語音身份建構(gòu)空間不再局限于現(xiàn)實(shí)社會情境，虛擬人聲的生成、傳播、消費(fèi)成為身份認(rèn)同新的主戰(zhàn)場。然而，數(shù)字語音空間的匿名性、片段化、非線性等特點(diǎn)，卻讓個體語音表達(dá)趨于碎片化。自我話語實(shí)踐的非連續(xù)性，動搖了傳統(tǒng)意義上語音身份的同一性基礎(chǔ)。[9]另一方面，個性化AI合成語音的廣泛傳播，也使社會對個體語音身份的評判標(biāo)準(zhǔn)愈發(fā)失范。在數(shù)字時代，傳統(tǒng)聲音評價體系被算法推薦、流量邏輯所綁架，個體語音身份的社會認(rèn)可度很大程度上取決于其能否迎合主流審美趣味。信息繭房中，同質(zhì)聲音不斷自我強(qiáng)化，異質(zhì)聲音則面臨邊緣化威脅。于是，社會對個體語音身份的風(fēng)格期待也愈發(fā)單一化。非主流語音腔調(diào)、草根口音風(fēng)格，其合法性地位往往受到質(zhì)疑和排斥。

可見，數(shù)字語音語境下，個體語音身份認(rèn)同正遭遇“雙向失范”：既面臨自我話語建構(gòu)連貫性的失序，又面臨社會評判體系一致性的潰散。傳統(tǒng)身份認(rèn)同所賴以建立的互動儀式，在算法霸權(quán)的侵蝕下正土崩瓦解。

（二）“語音秩序”的社會信任機(jī)制變化

在家庭場域，聲音歷來維系著親密信任：從發(fā)展心理學(xué)的視角看，個體在家庭環(huán)境中通過長期的互動與情感交流，對家庭成員的聲音形成了高度敏感的識別能力。這種識別能力不僅基于聲學(xué)特征的記憶，更與情感依戀緊密相連。例如，嬰兒在早期發(fā)育階段，便能通過母親的聲音獲得安全感和情感滿足，母親的聲音成為嬰兒認(rèn)知世界和建立情感聯(lián)系的重要媒介。隨著個體成長，家庭成員之間通過聲音傳遞的情感信息、情緒狀態(tài)以及言語習(xí)慣，進(jìn)一步強(qiáng)化了彼此之間的信任關(guān)系。神經(jīng)科學(xué)研究表明，大腦在處理家庭成員聲音時，會激活與情感加工、記憶相關(guān)的腦區(qū)，如杏仁核、海馬體等，這從神經(jīng)生物學(xué)層面解釋了家庭中基于聲音的親密信任的形成機(jī)制。家庭作為社會結(jié)構(gòu)的基本單元，是聲音信任機(jī)制形成的核心場域。

在社區(qū)環(huán)境，聲音歷來構(gòu)筑著社交信賴：在傳統(tǒng)社區(qū)環(huán)境中，聲音成為構(gòu)建社交信賴關(guān)系的重要紐帶。社區(qū)作為一個地域性生活共同體，居民之間頻繁的日?；邮孤曇舫蔀楸舜俗R別與信任的重要標(biāo)識。社區(qū)成員通過聲音建立起一種基于地域文化和生活實(shí)踐的社交網(wǎng)絡(luò)。例如，鄉(xiāng)村社區(qū)中，村民們獨(dú)特的打招呼方式、方言口音以及在田間地頭、鄰里聚會中形成的聲音交流模式，構(gòu)成了社區(qū)內(nèi)部獨(dú)特的聲音景觀。這種聲音景觀不僅是社區(qū)文化的重要組成部分，更是社區(qū)成員相互識別、信任與合作的基礎(chǔ)。通過聲音，社區(qū)成員能夠快速確認(rèn)彼此身份，分享信息，解決生活中的問題，從而增強(qiáng)社區(qū)的凝聚力和穩(wěn)定性。這種基于聲音的社交信賴，是社區(qū)社會資本積累的重要方式，對社區(qū)的持續(xù)發(fā)展具有深遠(yuǎn)影響。

在行業(yè)領(lǐng)域，聲音歷來凝聚著職業(yè)認(rèn)同：在特定行業(yè)領(lǐng)域，聲音在職業(yè)認(rèn)同的形成與維系中發(fā)揮著關(guān)鍵作用。不同行業(yè)常常具有不同的聲音文化和交流模式，這些聲音特征成為從業(yè)者身份認(rèn)同的重要組成部分。例如，在音樂演奏行業(yè)，音樂家們通過獨(dú)特的演奏風(fēng)格、音色控制以及對音樂作品的個性化詮釋，形成了各自獨(dú)特的聲音標(biāo)識。這種聲音標(biāo)識不僅是音樂家專業(yè)能力的體現(xiàn)，更是他們在行業(yè)內(nèi)獲得認(rèn)可和身份認(rèn)同的重要依據(jù)。

但是，隨著數(shù)字聲音的快速發(fā)展，從家庭到社區(qū)到行業(yè)，傳統(tǒng)的語音信任機(jī)制正在遭遇越來越多的挑戰(zhàn)：社交媒體上虛假聲音的泛濫、金融領(lǐng)域中聲紋欺詐的蔓延、司法實(shí)踐中聲紋證據(jù)的失信，無不預(yù)示著一個建立在聲音真實(shí)性基礎(chǔ)上的“社會語音秩序”正在發(fā)生根本性動搖。

（三）“語音秩序”的聲音生產(chǎn)權(quán)力轉(zhuǎn)移

在傳統(tǒng)聲音生產(chǎn)的特定場域內(nèi)，專業(yè)技術(shù)與專業(yè)設(shè)備共同構(gòu)建起一道幾乎難以跨越的屏障。這一技術(shù)壁壘不僅塑造了特定的生產(chǎn)關(guān)系，更在深層次上維持著一種文化權(quán)力的等級秩序。

在過去，聲音生產(chǎn)往往被專業(yè)的廣播電臺、錄音工作室等機(jī)構(gòu)所掌控，普通個體由于缺乏專業(yè)知識和昂貴的設(shè)備，很難涉足其中。然而，數(shù)字技術(shù)的強(qiáng)勢介入正逐漸改變這一局面。以ElevenLabs為代表的創(chuàng)新平臺，通過將復(fù)雜的聲音生產(chǎn)流程簡化為直觀的文本輸入方式，不僅帶來技術(shù)操作上的簡便化，更關(guān)鍵的是引發(fā)了文化生產(chǎn)權(quán)力的重新分配。ElevenLabs的用戶界面設(shè)計(jì)極為友好，即使是毫無音頻制作經(jīng)驗(yàn)的普通創(chuàng)作者，也能通過簡單的文本輸入，快速生成高質(zhì)量的語音內(nèi)容，無須再為復(fù)雜的音頻編輯技巧和聲學(xué)知識所困擾。這種轉(zhuǎn)變的意義絕不僅僅體現(xiàn)在效率提升。從本質(zhì)上講，它重新定義了數(shù)字時代文化生產(chǎn)的主體特性。以往，普通個體多為聲音文化的被動接收者，僅能消費(fèi)專業(yè)機(jī)構(gòu)產(chǎn)出的聲音內(nèi)容。如今，他們正轉(zhuǎn)變?yōu)榉e極的創(chuàng)作者，得以依據(jù)自身意愿創(chuàng)作并傳播聲音作品。

在算法賦能的新型聲音生產(chǎn)環(huán)境中，個性化定制能力的顯著提升，絕非一般意義上的技術(shù)進(jìn)步，而是預(yù)示著一種全新文化生產(chǎn)范式的誕生。這種范式的獨(dú)特之處，不僅體現(xiàn)在對音色、語調(diào)、語速等聲音的物理屬性的精準(zhǔn)把控上，更深刻地體現(xiàn)在它為文化表達(dá)開拓了嶄新的維度。當(dāng)聲音內(nèi)容借助先進(jìn)技術(shù)突破語言的限制，在不同文化語境中自由轉(zhuǎn)換時，一種前所未有的文化交流景象正逐步呈現(xiàn)。這不僅僅意味著傳播范圍的擴(kuò)大，更是對傳統(tǒng)文化傳播秩序的根本性重塑。以ElevenLabs強(qiáng)大的多語言合成功能為例，它支持三十多種語言和五十多種口音的合成，創(chuàng)作者可以輕松地將自己的作品轉(zhuǎn)化為多種語言版本。比如一部具有中國傳統(tǒng)文化特色的有聲故事，通過ElevenLabs的技術(shù)，能迅速被翻譯成英語、西班牙語、阿拉伯語等多種語言，讓全球不同地區(qū)的聽眾都能領(lǐng)略到中國文化的獨(dú)特魅力。在這個過程中，聲音技術(shù)的創(chuàng)新實(shí)際上開啟了一種全新的文化生產(chǎn)與傳播模式，使各種文化都有機(jī)會在全球舞臺上展示自身特色，促進(jìn)了多元文化的共生與交流。

在這樣的技術(shù)圖景下，我們不禁要問：當(dāng)聲音不再是個體獨(dú)特性的可靠標(biāo)識，人類社會賴以維系的信任基礎(chǔ)將走向何方？當(dāng)算法可以完美復(fù)制每個人的聲音，我們是否正在進(jìn)入一個聲音身份加速解構(gòu)的時代？這些問題，不僅折射出技術(shù)進(jìn)步與人文傳統(tǒng)的深層沖突，更關(guān)乎人類社會最基本的信任機(jī)制與文化認(rèn)同的重構(gòu)。

四、數(shù)字聲音景觀重構(gòu)中的風(fēng)險與危機(jī)

在ElevenLabs引領(lǐng)的數(shù)字化聲音景觀重構(gòu)中，傳統(tǒng)“社會語音秩序”正在被顛覆，而一系列風(fēng)險與危機(jī)也在慢慢凸顯。

（一）語音身份多變與身份識別困境

聲紋是每個人與生俱來的獨(dú)特“身份證”。它攜帶著個體的生理特征、性格氣質(zhì)、文化背景等多重信息，是人格同一性的重要體現(xiàn)。從社會學(xué)角度看，語音身份是自我認(rèn)同與他者認(rèn)同的統(tǒng)一。個體通過言說塑造自我，用聲音傳遞個性，彰顯存在。社會則以聲紋為線索，將個體身份歸類、定位，形成秩序化的人際網(wǎng)絡(luò)。可以說，語音同時承載了個人與群體的雙重身份屬性。這種獨(dú)特性一旦被打破，便給身份識別帶來空前的困境。

ElevenLabs等AI企業(yè)推出的聲音克隆服務(wù)，既能輕易復(fù)制他人聲紋，生成以假亂真的語音，又能生成某種特定條件的語音，由此，制造出一個又一個“數(shù)字語音分身”，幫助不同的主體在線發(fā)聲、參與內(nèi)容創(chuàng)作。不過，語音AI民主化在賦能大眾創(chuàng)造力的同時，也引發(fā)了諸多隱憂。例如，他人聲音數(shù)據(jù)的采集是否侵犯他人隱私？虛擬人聲的版權(quán)歸誰所有？……

進(jìn)而言之，擬人化、個性化、情感化的AI之聲，也將深刻影響人們的社會交往方式和文化心理。[10]倘若智能音箱、虛擬助手成為人們傾訴衷腸的對象，傳統(tǒng)人際交往的空間勢必會被虛擬互動所侵蝕。當(dāng)算法成為情感慰藉的供給者時，人的尊嚴(yán)能否在人機(jī)共生的語境下獲得新的詮釋同樣值得思考。更進(jìn)一步講，個性化合成語音對公共話語生態(tài)的影響也不容忽視。

（二）語音身份盜用與社會信任危機(jī)

語音身份識別的困難導(dǎo)致語音身份的盜用難以避免。而一旦某人的聲音被惡意克隆，其言論遭到隨意篡改，社會公眾難免對“耳聞”產(chǎn)生懷疑。尤其在當(dāng)下后真相語境下，公眾人物的演講可以被隨意篡改，權(quán)威人士的言論可能被肆意偽造，政客的公信力和企業(yè)高管的聲譽(yù)都將面臨危機(jī)，“我聽到的未必是真相”恐怕將成為常態(tài)思維。人們對聲音真實(shí)性的信任危機(jī)一旦全面爆發(fā)，對以音頻形式呈現(xiàn)的各類傳媒內(nèi)容的信賴度勢必大打折扣。長此以往，公信力和社會資本的流失將不可避免，人工智能生成虛假信息所導(dǎo)致的危害將是破壞性的、難以彌補(bǔ)的。這絕不僅僅是一個技術(shù)問題，更是一個關(guān)乎人類未來命運(yùn)的社會問題。

（三）數(shù)字語音規(guī)訓(xùn)與意識形態(tài)操控

ElevenLabs預(yù)示的智能語音時代，可能帶來數(shù)字聲音規(guī)范對公眾話語生態(tài)的隱性規(guī)訓(xùn)。

具體而言，當(dāng)算法推薦、智能音箱等成為主導(dǎo)個體語音消費(fèi)的核心機(jī)制，它們必然會形塑特定的語音風(fēng)格偏好。ElevenLabs重塑的數(shù)字人聲音景觀，從話語互動層面加劇了群體語音風(fēng)格的同質(zhì)化傾向。長此以往，迎合算法口味的語音腔調(diào)將獲得更多流量，進(jìn)而主導(dǎo)數(shù)字語音市場。與之相對，非主流語音風(fēng)格，如方言口音、草根腔調(diào)等，其地位則可能日益邊緣化。這種算法霸權(quán)導(dǎo)致的話語生態(tài)失衡，很可能將加劇語音表達(dá)的數(shù)字鴻溝。處于弱勢地位的語音群體，如底層勞動者、邊緣族裔等，其聲音訴求更難獲得公平對待。而這種以技術(shù)之名進(jìn)行的意識形態(tài)規(guī)訓(xùn)，其隱蔽性和滲透性遠(yuǎn)甚于傳統(tǒng)話語管制。

算法推薦和同質(zhì)化傳播，使個體更多地接觸到與自身（喜好的）語音風(fēng)格相近的聲音內(nèi)容，久而久之便形成了同質(zhì)化的語音認(rèn)同群體“信息繭房”。在“回音室”效應(yīng)的強(qiáng)化下，群體語音身份認(rèn)同愈發(fā)封閉，彼此對立的語音腔調(diào)、話語風(fēng)格被放大，甚至極端化。于是，原本流動的群體語音界線被固化，族群對立情緒在同質(zhì)化聲音圖景中被推向極端。

進(jìn)而言之，當(dāng)語音造假以“歷史錄音材料”的身份出現(xiàn)，更可能淪為意識形態(tài)斗爭的助推器。人聲經(jīng)由算法重組、拼貼乃至虛構(gòu)，不啻為集體記憶抹去歷史經(jīng)驗(yàn)的根基?？梢灶A(yù)見，借助ElevenLabs的造假能力，不同陣營制造并傳播有利于己方、攻擊對方的虛假語音將變得更加便捷。于是，“他們”塑造的形象被妖魔化，“我們”捍衛(wèi)的價值被神圣化。歷史真相的泯滅將為新一輪的話語博弈埋下隱患。

（四）虛假語音煽動與社會沖突威脅

ElevenLabs釋放的高度擬真、富有感染力的虛擬人聲，也可能成為政治沖突的助燃劑。

政客可能利用智能語音轟炸式傳播片面言論，操縱民意；不法分子可能利用智能語音系統(tǒng)批量制造深度偽造（deepfake）音頻，配合社交機(jī)器人傳播虛假信息，甚至操縱金融市場、干預(yù)選舉過程；極端政治團(tuán)體可能利用ElevenLabs的音頻生成能力，批量制造煽動性的民粹主義、種族主義爭議言論，社會語音生態(tài)的健康發(fā)展將面臨巨大挑戰(zhàn)。

更值得警惕的是，政客還可能利用智能語音偽造各種“語音事件”，挑起沖突，如偽造對方陣營代表性人物的荒謬“發(fā)言”、私下“交談”來刺激社會公眾。而語音這一富于感染力的媒介本就更易引發(fā)群體的情緒共振，一段精心編造的爭議性言論，往往比書面語言更能調(diào)動起人們的斗志。當(dāng)煽動性的音頻材料充斥于各路陣營的信息流中，群情激憤幾乎在所難免。如此，原本就勢同水火的對立方很可能進(jìn)一步激化矛盾，導(dǎo)致街頭政治的泛濫，引發(fā)暴力沖突。

隨著人工智能向通用智能邁進(jìn)的腳步日益堅(jiān)定，以ElevenLabs為代表的語音合成技術(shù)已然成為重塑歷史話語權(quán)的新型力量。當(dāng)AI工具將個體的聲音完美模仿、克隆乃至篡改，智能影像制造導(dǎo)致的“信息的扭曲和偽造問題，或?qū)⑸鐣葡蛘畏欠€(wěn)態(tài)”[11]。

由此，數(shù)字語音技術(shù)如何撬動未來政治版圖的棋局，或許正是AI治理需要直面的終極拷問。

總之，隨著ElevenLabs等智能語音系統(tǒng)的崛起，人類社會正加速邁入一個“語音造夢”的新時代。這場由人工智能引領(lǐng)的聲音革命在提供豐富的創(chuàng)意和表達(dá)可能的同時，其潛在的破壞力也令人生畏。當(dāng)虛擬人聲難辨真?zhèn)?，?dāng)語音記憶面臨解構(gòu)，我們究竟該如何守護(hù)聲音世界的真善美？這一命題不僅事關(guān)人機(jī)關(guān)系的重塑，更折射出人文精神在智能革命年代的尊嚴(yán)訴求。只有捍衛(wèi)聲音真實(shí)的尊嚴(yán)、呼喚理性治理的自覺，我們方能在樂音喧囂中不失詩意棲居的方向，進(jìn)而揚(yáng)帆駛向人與技術(shù)和諧共生、多元共榮的未來之境。如何以科技向善、數(shù)字向美的姿態(tài)擁抱新的數(shù)字景觀，考驗(yàn)的正是每一個理性公民的智慧與勇氣。[12]

參考文獻(xiàn)：

[1]吳冠軍，趙憲章. Sora：從技術(shù)哲學(xué)到文藝學(xué)的思考[J].文化藝術(shù)研究，2024（1）.

[2]Goodfellow， Ian， Yoshua Bengio， and Aaron Courville. Deep Learning[M]. Cambridge： The MIT Press， 2016. 200-400.

[3]Black， A.， S. Gray， and Brown， T. \"The Impact of AI-Generated Speech in Language Learning\" [J]. Journal of Educational Technology， 2023（3）.

[4]Clark， M.， and R. Turner. \"Using Speech Synthesis in Rehabilitation Therapy\" [J]. Rehabilitation Medicine Journal， 2022（2）.

[5]胡范鑄.元主體、社會身份、情景角色：言語主體范疇的重新分析[J].復(fù)旦學(xué)報（社會科學(xué)版），2024（3）.

[6]胡范鑄.我的“新修辭學(xué)”研究四十年[J].中國語言戰(zhàn)略，2024（2）.

[7]Giddens， Anthony. Modernity and Self-Identity： Self and Society in the Late Modern Age[M]. Redwood City： Stanford University Press， 1991. 264.

[8]彭增安.語言與社會身份[M]. 上海：上海外語教育出版社，2020：120-130.

[9]朱明.媒介賦權(quán)下群體自我身份認(rèn)同建構(gòu)分析[J]. 聲屏世界，2025（2）.

[10]羅昕，楊心玥.演進(jìn)中的數(shù)字身份：交往特征與風(fēng)險治理[J].青年記者，2024（4）.

[11]高奇琦，臺潤澤.基于世界模擬的政治非穩(wěn)態(tài)：Sora的智能影像生成與歷史重塑[J].新疆師范大學(xué)學(xué)報（哲學(xué)社會科學(xué)版）. 2025（2）.

[12]胡范鑄，胡亦名.“數(shù)字孤獨(dú)”：數(shù)字景觀中空間認(rèn)同的斷裂及主體的異化[J].現(xiàn)代出版，2024（3）.

（責(zé)任編輯：馮靜芳）

a 加拿大AI公司ElevenLabs開發(fā)的情感語音合成系統(tǒng)，利用深度學(xué)習(xí)算法，通過海量語音數(shù)據(jù)的訓(xùn)練，可以高度擬真地模仿人類的語音特征、情感狀態(tài)和說話方式，為用戶提供個性化的語音合成服務(wù)。

b 參見：https：//elevenlabs.io/blog/eleven-multilingual-v1/。

c 參見：https：//elevenlabs.io/blog/what-is-voice-translation-and-why-does-it-matter/。