早上出门，导航先开口。那个声音平稳、礼貌，几年下来没变过，你也从没记住它属于谁。有天我把提示音关掉，路口忽然变得陌生——原来我一直是听着它转弯的。
这大概就是语音合成已经走到的地方：它不再需要被注意。真正被解决的问题往往不是“像人”，而是“不出错”——字音准、断句稳，连读几个小时也不露怯。可听众的评判标准有点奇怪：一点瑕疵会被立刻放大，而全程无误的朗读，反而容易被忘掉。
难的不是发音，是什么时候停
音节层面的问题大体过去了，剩下的是韵律：哪里停、停多久、哪个词往上抬。同一句“我知道了”，可以是应声，也可以是不耐烦。系统必须选一个，而判断依据常常不在这句话里。
所以读新闻听起来还行，读小说里的对话就容易露怯。叙述文本的语气是平的，对话不是。对话要求系统知道谁在说、对谁说、说完这句之后空气是什么温度。
听过自己的人，会变得挑剔
有人拿自己的几段录音去做声音克隆，第一遍觉得新鲜，第二遍开始挑刺。挑的不是音色，是“我不这么说话”。人对自己的声音有一套极细的记忆，节奏上一点点偏差都能听出来，而这种偏差在旁人耳朵里几乎不存在。
场景一换，标准又变了。有声书可以慢，客服不能慢；无障碍阅读更在意清楚，短视频配音更在意情绪。语音合成在同一个技术底座上，被不同场景拉扯出不同的样子。
一段声音归谁
语音合成越像人，授权这件事越绕不开。几十秒的录音在技术上可能已经够用，够用不等于可以。声音更接近指纹而不是文件——它跟着人走。关于授权范围、使用期限、二次传播的界定，行业里还在拉扯，谨慎一点不算保守。
有些场合，留一点笨拙更好
道歉、通知坏消息、谈一件要紧的事，把声音交出去，省下的是时间，丢掉的是那点笨拙的诚意。技术能做的事和适合做的事之间，隔着一层不写在文档里的判断。
那天关掉提示音之后，我在路口多看了两眼路牌。被替代的东西未必都可惜，只是替换发生时，我们很少停下来数一数少了什么。