地下车库出口的导航提示响起：“前方路口直行。”字没有错，语调也不怪，可听久了会觉出一种紧绷：像有人捏着嗓子把一句话递出来，中间没有换气，句尾也没有松开。这个瞬间提醒我，语音合成要处理的并不只是“把字读出来”。
字正腔圆之后，剩下的是气息
很多人对语音合成的印象还停在“像不像人”。真到日常使用里，像不像反而退到后面，听得出来的是节奏：哪里该停半拍，哪个词该稍微压一下，句尾是收住还是放开。文本给出标点，标点给出大致停顿，但口语里的停顿常常不按标点走。一个人说“行吧”，中间的犹豫和结尾的下沉，可能才是态度的来源。系统如果只会按标点切分，就会把一句话读成几段等长积木。听感上的“紧”，往往不是音色不够像人，而是节奏没有呼吸。
三段管线，各自负责什么
把语音拆开看，前半段是文本分析：数字、符号、多音字、断句，先要读对。接着是韵律预测，决定停顿长短、重音位置和语调走向。后半段由声学模型与声码器把音素和韵律变成波形。在这条链路上，语音合成并不是一个单点模型，而是一串判断的叠加。任何一段保守，最后都可能变成听感里的平。
- 文本分析处理“读什么”，但标点不等于口语停顿。
- 韵律预测处理“怎么读”，需要上下文，也需要一点取舍。
- 声码器处理“像不像”，音质只是其中一层。
我比较在意的是中间那层。音色可以靠样本学习，清晰度可以靠模型规模推上去，但一句话的轻重缓急，常常取决于系统有没有理解上下文。比如同样一个“好”，答应、敷衍、确认，停顿位置和句尾长度都不一样。文本里没有写明这些，系统只能从前文里猜。猜得谨慎，读出来就稳；猜得过头，又会显得拿腔拿调。
自然感不是越像真人越好
在有声内容里，情绪和气息确实重要；到了报站、导航、设备提示，过度口语化反而会干扰信息。语音合成的边界也在这里：它要服务场景，而不是一味模仿某个人说话。情绪强烈、多人对话、方言混杂时，系统仍可能露怯。声音复刻还涉及授权和同意，这些问题不会因为音质提升自动消失。
下次听到一句提示音，不妨留意它在哪里换气。那半秒钟的空白，可能才是系统懂不懂上下文的证据。