一句话定义：Voice Design（文本描述生成音色）是指不给任何录音样本，只用一段文字描述，就让模型合成出一个此前不存在的说话声音。
它是怎么做到的
传统语音合成（Text-to-Speech，TTS）是"选音色"：厂商预录好若干个声音，你从菜单里挑一个。Voice Design 是"造音色"：模型在海量人声上学到了一个"音色空间"，其中每个位置对应一组声学特征——基频高低、共振峰分布、气息感、节奏习惯等。你写的描述（prompt，提示词）会被编码成这个空间里的一个坐标，模型再从该坐标合成波形。
打个比方：声音克隆像是拿着一张别人的照片让画师临摹；Voice Design 像是画师只听到"沙哑的中年男声，语速偏慢，带点疲惫"这句话，直接画出一张全新的脸——这张脸不属于任何真人。
描述词通常怎么写
有效的描述一般覆盖几个维度：音色质感（沙哑、明亮、厚实、清冷）、年龄与性别感、语速与停顿习惯、情绪底色（平静、热情、克制）、口音或腔调（如"略带南方口音的普通话"）、使用场景（新闻播报、儿童故事、客服提示音）。原则是具体、可感知，少用"高级感""专业感"这类抽象词。
和相邻概念的区别
| 概念 | 需要参考音频 | 目标 |
|---|---|---|
| 预设音色 TTS | 不需要 | 从固定音色库里选一个 |
| Voice Cloning（声音克隆） | 需要，通常几十秒到几分钟 | 复刻某个特定真人的声音 |
| Voice Design | 不需要 | 凭描述生成一个全新的、不指向任何真人的音色 |
三者常配合使用：先用 Voice Design 造出满意的基础音色，再用微调或克隆技术让它更稳定。
对从业者和普通人的意义
对做产品的人，这意味着品牌音色、游戏 NPC、有声书角色、多语言客服提示音可以批量"设计"出来，而不是一个个去谈配音演员、走授权流程。更重要的是合规：生成的音色不指向任何具体的人，天然绕开了声音权、肖像权这类麻烦。当然，这不等于没有风险——如果描述刻意指向某位公众人物的特征，仍可能踩线。
对普通职场人，短期最实用的场景是给自己做的演示视频、内部培训材料配一个听起来"合适"的声音：讲儿童内容就用温柔女声，讲财务合规就用沉稳偏慢的男声，不用再纠结"我自己的声音不好听"。
几个要知道的局限
描述与结果之间的映射并不精确，同一个提示词跑两次可能得到不同的音色，通常需要多试几轮、听一批再挑。描述越短越模糊，出好结果越靠运气。语言覆盖和口音表现也因模型而异。具体支持哪些描述维度、可用语言、调用方式，以各家官方页面为准。