YouTube近日宣布对其人工智能配音功能进行重大升级，推出名为“Expressive Speech（情绪化语音）”的新技术，支持英语、法语、德语、印地语、印尼语、意大利语、葡萄牙语和西班牙语八种语言。这一创新旨在解决此前AI配音被诟病的“语调单一、缺乏情感”问题，通过更自然的语音表现提升用户体验。
据YouTube配音产品负责人介绍，Expressive Speech功能由YouTube与Google DeepMind联合开发，通过分析原始视频中的音高、语调、节奏和能量等特征，将这些元素精准映射到AI配音中，使合成语音更接近人类表达方式。该功能自2025年6月向全球创作者开放以来，虽因初期语音偏“机器人化”引发争议，但经过持续优化已显著改善。
为提升功能实用性，YouTube同步推出“Automatic Smart Filtering（自动智能过滤）”系统。该系统可自动识别纯音乐视频、无对白Vlog等不适合AI配音的内容，避免不必要的语音合成，从而优化整体使用体验。平台数据显示，自动配音视频的平均观看时长已达到原语言视频的75%，显示非母语用户对多语言内容的接受度较高。
在用户选择权方面，YouTube新增“Preferred Language（偏好语言）”设置，允许观众选择始终观看原始语言版本，而非默认切换至AI配音。创作者也获得更大控制权，可自行上传多语言音轨替代或补充AI配音，满足多样化创作需求。这些调整体现了YouTube“在扩展AI能力的同时保障人工干预空间”的承诺。
技术扩展方面，YouTube透露正研发自动口型同步（lip sync）功能，目前已在小范围创作者中测试。未来Expressive Speech技术还将支持更多语言，进一步打破语言壁垒。平台强调，AI配音不会影响视频在推荐和搜索系统中的表现，反而有助于内容在不同语言用户群体中的传播。
