深夜戴耳机听有声书，播到一句“他愣了几秒”，朗读的声音却一路平推过去，语气没有塌下来，也没有那几秒的空白。你立刻知道，对面不是人。奇怪的是，音色本身没出问题——破绽出在停顿上。
这几年讨论语音合成，注意力大多集中在“像不像”。几秒钟的样本、口音、气声、齿音，确实进步明显。但真正让人出戏的地方往往更细：一句话在哪里断，哪个字该重，逗号和句号之间差多少呼吸。
文本里没写的东西
写作者在纸上只留下标点，剩下的靠读者脑补。人念稿时会自动做这些决定：书名里的词读慢一点，转折处稍微提一口气，列举到第三项时把尾音压下去。这些信息在文本里是隐形的。
语音合成要做的，是把这些隐形信息重新猜出来。它得先读懂句子结构——哪儿是主句，哪儿是从句，哪个“的”是定语标记，哪个“了”表示完成。再往下，还要判断说话人的意图：同一句“行吧”，可以是同意，也可以是不耐烦。这一步没有标准答案，只能靠模型从大量语料里学一种概率上的习惯。
所以常听到的评价是：单句听着不错，连成一段就开始飘。原因不神秘，上下文一长，韵律预测就容易前后不一致，前面沉下去的调子，后面又浮起来。
读对字，和读对意思
还有一类问题更基础，比如多音字、数字、缩写。“2024年”念成“二零二四年”还是“两千零二十四年”，要看场景；同一个“行”字，在不同句子里意思完全两样。这类工作通常被归到文本前端，听着不性感，但只要错一处，整段音频的可信度就打折。
中文还有自己的麻烦：没有空格分词，语气词多，书面语和口语差得远。一段从公文里摘出来的句子，直接交给语音合成，读出来往往字正腔圆却没有起伏，像在念通知。
评估的尴尬
评价一段合成语音，业界习惯让人听几句打个主观分。但短句上打的分，和听半小时有声书之后的感受，未必一致。短句听的是音质，长文本听的是耐心——有没有在同一个地方反复出现奇怪的升调，情绪是不是一直停在同一个平面。
这也解释了为什么一些演示音频令人惊艳，落到产品里却要反复调。演示挑的是最好发挥的句子，产品要面对的是全部文本。
它适合做什么，要谨慎做什么
- 适合：信息密度高、情绪要求低的场景，比如导航播报、设备提示、把长文档转成音频粗听一遍。
- 勉强可以：固定话术的播报、课程里的知识点朗读，但稿子最好先改得更口语。
- 要谨慎：需要细腻情绪的独白、有声书里的对话段落，以及任何需要“这个声音属于某个具体的人”的场合。
声音克隆的门槛在降低，另一面是责任。用谁的声音、用在什么地方、有没有告知听众，这些问题技术上给不出答案，只能由使用的人自己划定范围。
回到那几秒的空白
我倾向于认为，下一步不会停在“更像真人”这个方向上。人对声音的信任，来自它和语境是否对得上：一段讲述悲伤的旁白，语速慢下来、尾音收住，比音色有多逼真更重要。反过来，如果每句话结尾都用同一种下坠的调子，再好的音质也会让人疲倦。
那几秒的空白，其实是说话的人在替听的人留位置。让机器学会这件事，比让它学会换气要难得多。