获金沙江数千万元种子融资，音频模型Noiz要挖掘声音背后的物理信息｜智能涌现融资首发

高中第一次戴上耳机听陈奕迅，陈伟嘉就被歌词之外的信息吸引：音色、歌手状态、声音环境。如今，他想让音频模型处理的，也正是这些语言之外的信息。

一句“我没事”，可能是安慰、逞强，或冷漠。一个关门声，不只是关门动作本身，还包含了关门的力度、门的材质、声源距离多远、传递的情绪等信息。

在陈伟嘉看来，这些文本之外的信息更难被模型捕捉，“过去两年，⾳频AI目前在很⼤程度上被等同于语⾳AI。”行业讨论更⾃然的TTS、更准确的语⾳识别、更低延迟的⼈机交互，主要围绕“⼈在说什么”展开。⼤量⾳频模型，只重点处理了其中最易被⽂字描述的⼀层。模型理解声⾳“代表什么”，但难以“为什么会这样发⽣”。

聚焦这一方向，陈伟嘉在2025年9月创立音频智能公司Noiz，希望构建声学智能基础设施，让AI不仅能够识别和⽣成声⾳，也能够理解、模拟声⾳如何发⽣、传播并被感知。

《智能涌现》获悉，Noiz AI已完成数千万元种子轮融资。最近一次融资来自金沙江创投，此前由北极光创投、英诺天使基金投资。目前Noiz全球用户已突破200万，ARR百万美元。

Noiz团队目前正职员工10余人。创始⼈陈伟嘉曾在Meta、Tiktok任职，做视频、ASR与Agent相关工作。回国后他创办玉符科技，做身份管理类SaaS，2020年公司被腾讯收购。随后，他在腾讯参与Agent模型的⼯程化落地，又经历了语⾳克隆、多模态模型和Coding等不同技术阶段，也是语⾳克隆开源项⽬Mockingbird的作者。

联合创始⼈陈前具有北⼤、清华和MIT的教育背景，此前曾任百川智能用户增长及运营负责人。⾸席科学家Zeyue Tian最早系统研究音视频联合生成的研究员之一，他开源的全曲生成模型ChatMusician曾被杨立昆转发。

团队其他成员来⾃Meta、Dolby、TikTok等公司和实验室，覆盖声⾳模型、多模态预训练、空间⾳频、产品⼯程和商业增长等⽅向，同时大多成员兼职乐队乐手及音乐创作。

构建声学智能基础设施

在音频模型领域，Noiz不把⾃⼰定义为单⼀的配⾳⼯具或⾳频⽣成产品，⽽是⼀家从通⽤⾳频模型出发，逐步构建音视频智能底座的公司。在Noiz看来，新一代音频模型是对声⾳的产⽣、传播、空间响应及感知过程统⼀理解、⽣成与模拟的能⼒。

公司创立初期，Noiz自研开源音频模型底座AudioX，并以创作者⾳频产品Noiz AI进⼊市场，将技术放入产品接受付费验证。

Noiz AI⾯向短视频、内容制作和泛娱乐场景的创作者，提供语⾳、⾳乐、⾳效、视频配⾳和声⾳编辑能⼒。目前已积累约200万海外创作者，但C端用户并非Noiz主要现金来源，而是作为模型初期的数据雷达，指引AudioX不断迭代。

这一意识来自初次创业的“教训”。当时在研发身份认证Saas时，陈伟嘉带团队打磨技术，产品问世近20个月才尝试商业化，结果市场反馈不达预期。2020年正值疫情，腾讯会议用户规模大幅跃升，公司被腾讯收购，这才意外得到一个商业出口。以市场反馈指引技术也因此在陈伟嘉心里扎根。Noiz模型从第一代起就根据⽤⼾的实际制作和付费⾏为迭代。

△Noiz AI团队参与对外交流活动

C端用户外，Noiz目前还在同时用另外两类业务验证底层模型能力。一类是API与企业集成。同⼀套模型以API和系统集成的形式，进⼊内容平台、视频⽣产⼯具和企业⼯作流。企业客⼾可以根据业务需求调⽤语⾳、⾳乐、音视频、翻译和空间⾳频等不同能⼒。主要客户来自短剧、游戏、视频生产等领域。

另一类是3D与具⾝智能合作，目前Noiz正在把通⽤声⾳底座拓展到3D世界和具⾝智能。区别于给画⾯后期贴上⼀段⾳效，Noiz对于3D场景的目标在于根据⼏何结构、材质、距离和听者位置，⽣成匹配的空间声场。

对于机器⼈而言，听觉具有全向、连续和不受视线遮挡的特征。机器⼈可能通过声⾳更早感知⾝后的脚步、周围的碰撞、设备内部异常摩擦、⼀次动作是否产⽣了合理的物理结果等。

今年6月，团队发布AudioX-Turbo进⼀步解决⽣成速度问题。在团队看来，在⽆声视频⽣成声⾳的场景中，模型需要让脚步、碰撞、运动和画⾯中的事件尽可能同步发⽣，⽽非等待长时间离线渲染。这一模型也是帮助团队从离线内容制作⾛向交互式声学系统的基础，他们认为当声⾳能够⾜够快地⽣成，才有机会进⼊实时视频、游戏、虚拟⻆⾊和⼈机交互系统。

目前，随着底层模型逐渐统⼀，公司正在从“⽣成⾳频内容”，进⼀步⾛向“实时音视频交互”。

寻找物理状态下的模型数据

2022年，做声音克隆和情绪模型训练时，陈伟嘉就感受到仅靠文本转语音，无法还原人说话时的真实状态。

“跳出语言，一个咳嗽声、非语言的声音、重重关门的声音，本身还有很多信息量。甚至，这些信息量代表着事件发生了，会有什么后续。”他认为，过去的声音AI完全没有捕捉到这些，声音需要连接到环境上下文，而非文本的上下文。

在他看来，目前声音模型的竞争主要集中在语音识别、TTS和实时对话上，行业普遍依赖互联网音频，再通过文本标签或多模态模型补充事件描述。但这类数据通常只告诉模型“发生了关门”，不会记录房间结构、门的材质、施力大小、声源距离、遮挡关系和听者位置。模型因此能够复现一段听起来合理的声音，却很难判断在一个全新的空间里，声音是如何发生。

在Noiz看来，这也是声⾳模型长期面临的数据问题导致。互联⽹上有⼤量⾳频，但很少有数据会系统标注声⾳背后的物理条件。例如，⼀声关门通常不会同时标注房间的⼤⼩和结构、门的材质和厚度、声源与麦克风的距离、空间中的混响和反射、施加在⻔上的力度，以及听者所在的位置和⽅向等，但它们却是训练声学智能所需要的变量。

△创始人陈伟嘉出席交流活动

为了构建这一核心壁垒。Noiz正在着重采集具备物理条件的训练数据，并搭建三类数据来源。

第一类是真实世界采集，通过专门设计的流程控制空间、材质、距离、方向和事件，获得未经重度后期加工的高保真声音，比如来自“杜比声”的数据采集成员会用空间音频方法，在录制时使用两个或四个麦克风，处理声道同步、设备位置统一和空间信息。

第二类是物理声学仿真，批量生成现实中难以穷举的材质、空间和声源组合，以扩大训练条件的覆盖范围。

第三类来自产品端，创作者在noiz.ai中的生成、重试、编辑、保留、导出和付费行为，会被转化为偏好信号，帮助模型判断哪些声音更匹配画面、哪些情绪更有表现力。真实采集保证真实性，仿真补足规模，用户行为提供审美反馈，三者共同形成数据闭环。

音频生成的蓝海在哪？

做模型这件事，陈伟嘉认为：“跟文本走得越近越卷，反之则越蓝海。”

在Noiz提出的声学智能框架下，语⾳并不是声⾳智能的全部，⽽是其中⼀个重要特例。当模型真正理解声⾳如何发⽣时，情绪、空间感和距离感就不需要作为后期效果附加上去，⽽可以成为同⼀个⽣成和理解过程中的内⽣变量。这也是Noiz与传统TTS、素材型⾳效⽣成，以及以对话为中⼼的Audio Language Model之间最主要的区别。

Noiz正在推进的下⼀代模型，希望让声⾳随着环境变化⽽变化。⼀扇⻔被打开或关闭；物体从⽊材变成⾦属；听者从房间⾛到⾛廊；声源从正前⽅移动到⾝后；空间由铺设地毯的卧室变成空旷的地下车库。在这些情况下，Noiz希望声⾳表现可以根据新的空间、材质、位置和事件状态实时产⽣变化。这意味着模型要从“⽣成⼀段看起来合理的声⾳”，进⼀步⾛向“在当前条件下推演此刻应该听见什么”，根据正在发生的事件，实时生成匹配的音效、音乐和环境声。

在单一的配音或音效工具之外，Noiz希望从通用音频模型出发，构建理解声音产生、传播和感知过程的声学智能底座，使模型从复现既有数据分布的“generator”，进一步变成能够根据空间、材质、事件和位置推演声音的“simulator”。

与之相对应，陈伟嘉正在聚焦实时交互内容平台与具身智能市场。

在他看来，传统短剧、视频或游戏，只在制作阶段调用一次模型，生成的声音可以反复使用；但在互动游戏、虚拟世界等实时交互内容平台中，用户每做一个动作，系统都要根据场景、材质、距离和方向实时生成声音。只要用户在线，平台就需要持续调用API，因此调用频率和收入上限更高。

音频模型在具身智能领域的机会，被陈伟嘉概括为“给机器人戴上耳朵”。

他认为，机器人不能只靠摄像头和语音指令，还需要持续理解环境声音。比如杯子从身后掉落、隔壁房间发生碰撞、设备出现异常摩擦，这些都可能处于视觉盲区；机器人如果能听懂声音来自哪里、发生了什么，就能主动采取行动。再往后，声音还可用于多机器人协作以及机器人与人的长期互动。

目前Noiz已与一家具身智能公司合作。Noiz以技术咨询和模型适配的方式参与，为对方提供模型，帮助识别空间声音事件。据陈伟嘉介绍，机器人已经能通过声音判断身后或旁边有杯子掉落，并主动处理，未来也将进一步拓展相关合作。

文章来自于"智能涌现"，作者 "赵芮"。