语音智能团队常遇这样的难题：内置目录有400种声音，但需求偏偏要目录之外的那一款——蒙特利尔车行想要魁北克口音前台，讲座需要六十多岁有权威感的男声。需求总比目录丰富，传统做法靠声音克隆一个个补缺口，但每次都要解决声音来源、授权和许可问题。
从Kyutai研究实验室分拆出来的巴黎公司Gradium给出了另一种方案：Voice Design。只需输入一段书面描述，系统在数秒内返回完整的新声音，不需要参考音频，不需要真人声音，也不需要清理使用权。该功能已经上线Gradium API和Studio，所有套餐（包括免费版）均可使用。保留下来的声音与目录声音一样，走同一个流式TTS端点，延迟和输出格式相同。
描述是唯一输入。官方文档列出了模型回应的属性，读起来像选角要求：性别、年龄段、口音或籍贯、音高、语速、能量、音色与共鸣、语气与风格，以及声音所承担的工作。描述支持英、法、西、葡、德五种语言，长度为1至500字符。官方建议在描述末尾说明使用场景，因为它影响的不只是音色，还有语速和语气。一次请求可返回1到5个候选，通常3至5秒生成。候选是同一角色的变体，想要不同角色需要重写描述，而不是要求更多样本。
从候选到正式语音只需四步调用：先用POST /voice-generator/generate创建候选ID，此时ready为false；再通过GET /voice-generator/embeddings轮询状态直到就绪；每个候选可像普通语音一样用候选ID作为voice_id，通过常规TTS接口试听；最后用POST /voices/from-embedding把选中的候选转成正式语音。
候选声音有三项限制：试听文本最多100字符、仅支持REST接口、不能用于TTS WebSocket和语音转语音。未转换的候选会在30天后删除。转换为正式语音免费，且会清除过期时间，占用一个与克隆共享的自定义语音槽。免费版可保存5个，付费版可保存1000个。采样刻意设计为非确定性——Gradium团队会先扩展用户描述，而每次扩展结果不同，因此即便用相同提示词和固定随机种子，也会得到不同声音。
Gradium做了一次盲测：在可通过公共API访问的六个语音设计系统中，用口音提示词进行配对试听，请母语者判断哪段音频更贴近描述，也可以选择平局。七种语言共7,627次比较中，Gradium报告其胜率为72.6%，比ElevenLabs的eleven_ttv_v3高出13.6个百分点——后者为59.0%，Inworld为44.8%，Fish Audio为36.7%，MiniMax为31.7%（胜率按获胜加平局一半计算，50%为基准）。Gradium在全部五种语言中均排第一，领先最大的是多数目录会抹平的地域口音：魁北克法语97%、里奥普拉滕斯西班牙语86%、巴伐利亚德语85%、哥伦比亚西班牙语和非洲葡萄牙语83%。同一组提示词由模型裁判Gemini 3.1 Pro按1到5分打分，结果排序一致：Gradium 4.06、ElevenLabs 3.86、Inworld 3.64、Fish Audio 3.51。另外，产品页面称其在InstructTTSEval英语子集上的提示词遵循度为83.4%。（注：以上数字均由厂商自行设计和执行。）