語音智能團隊常遇這樣的難題：內置目錄有400種聲音，但需求偏偏要目錄之外的那一款——蒙特利爾車行想要魁北克口音前台，講座需要六十多歲有權威感的男聲。需求總比目錄豐富，傳統做法靠聲音克隆一個個補缺口，但每次都要解決聲音來源、授權和許可問題。
從Kyutai研究實驗室分拆出來的巴黎公司Gradium給出了另一種方案：Voice Design。只需輸入一段書面描述，系統在數秒內返回完整的新聲音，不需要參考音頻，不需要真人聲音，也不需要清理使用權。該功能已經上線Gradium API和Studio，所有套餐（包括免費版）均可使用。保留下來的聲音與目錄聲音一樣，走同一個流式TTS端點，延遲和輸出格式相同。
描述是唯一輸入。官方文檔列出了模型回應的屬性，讀起來像選角要求：性別、年齡段、口音或籍貫、音高、語速、能量、音色與共鳴、語氣與風格，以及聲音所承擔的工作。描述支持英、法、西、葡、德五種語言，長度為1至500字符。官方建議在描述末尾説明使用場景，因為它影響的不只是音色，還有語速和語氣。一次請求可返回1到5個候選，通常3至5秒生成。候選是同一角色的變體，想要不同角色需要重寫描述，而不是要求更多樣本。
從候選到正式語音只需四步調用：先用POST /voice-generator/generate創建候選ID，此時ready為false；再通過GET /voice-generator/embeddings輪詢狀態直到就緒；每個候選可像普通語音一樣用候選ID作為voice_id，通過常規TTS接口試聽；最後用POST /voices/from-embedding把選中的候選轉成正式語音。
候選聲音有三項限制：試聽文本最多100字符、僅支持REST接口、不能用於TTS WebSocket和語音轉語音。未轉換的候選會在30天后刪除。轉換為正式語音免費，且會清除過期時間，佔用一個與克隆共享的自定義語音槽。免費版可保存5個，付費版可保存1000個。採樣刻意設計為非確定性——Gradium團隊會先擴展用户描述，而每次擴展結果不同，因此即便用相同提示詞和固定隨機種子，也會得到不同聲音。
Gradium做了一次盲測：在可通過公共API訪問的六個語音設計系統中，用口音提示詞進行配對試聽，請母語者判斷哪段音頻更貼近描述，也可以選擇平局。七種語言共7,627次比較中，Gradium報告其勝率為72.6%，比ElevenLabs的eleven_ttv_v3高出13.6個百分點——後者為59.0%，Inworld為44.8%，Fish Audio為36.7%，MiniMax為31.7%（勝率按獲勝加平局一半計算，50%為基準）。Gradium在全部五種語言中均排第一，領先最大的是多數目錄會抹平的地域口音：魁北克法語97%、里奧普拉滕斯西班牙語86%、巴伐利亞德語85%、哥倫比亞西班牙語和非洲葡萄牙語83%。同一組提示詞由模型裁判Gemini 3.1 Pro按1到5分打分，結果排序一致：Gradium 4.06、ElevenLabs 3.86、Inworld 3.64、Fish Audio 3.51。另外，產品頁面稱其在InstructTTSEval英語子集上的提示詞遵循度為83.4%。（注：以上數字均由廠商自行設計和執行。）