电话接通,对面先是一声很轻的吸气,然后才开口。停顿、重音、句尾那一点上扬,都像人在说话。挂断之后才反应过来,那是一段合成语音。这样的体验正在变得日常,也正因为日常,问题才容易露出来:当语音合成跨过“听得懂”的门槛,进入“像人”的区间,我们感到的那点不对劲,到底来自哪里。
自然度不是一道开关
过去谈语音合成,评价标准很直接:字音准不准,像不像人。端到端模型普及之后,音色和韵律的连贯性提升明显,合成声音不再一个字一个字地往外蹦。但自然度并不是“像”与“不像”的开关。一句话里的停顿位置、重音落点、气息长短,甚至换气时那一点杂音,共同决定听感。有些声音每个字都清楚,却缺少说话时本该有的犹豫,听起来像在朗读一份没有标点的稿子。
耳朵在捕捉什么
听众并不只接收文字信息。人说话时,声音里带着状态:迟疑、压低、拖长、突然加快。这些信号很难被逐条标注,却能被耳朵迅速捕捉。语音合成如果只复制音色,不复制这些“不完美”,违和感就会出现。可复制得太像,又会带来另一种不安——我们是否愿意把一段合成声音当作有意图的说话者。
- 句首那一声吸气,是准备开口,还是单纯填充?
- 词与词之间的停顿,是思考,还是模型在等下一个音素?
- 句尾下沉,是笃定,还是合成器默认的收束?
技术路径变了,控制感也变了
早期的语音合成靠拼接录音片段,后来走向参数化建模,现在更多是端到端直接学波形。路径变化带来一个结果:控制点从显式规则转向数据分布。好处是自然,代价是可解释性下降。审听时常常说不清哪里不对,只能说“这句气口不对”。编辑的判断还在,但抓手变少了。语音合成的进步,某种程度上把问题从“能不能听”推到了“该不该这样听”。
边界不在音质,在信任
在有声书、导航、客服这些场景里,语音合成的效率很清楚。但涉及身份和情感时,边界复杂得多。合成声音可以模仿语气,却无法承担语气背后的责任。听到一段合成的安慰,知道它是合成的,安慰是否还成立?这不是音质问题,而是使用场景的伦理问题。技术能做出更自然的停顿,但决定哪里该停、哪里不该停的,仍然是人。
所以,语音合成下一步要解决的,可能不是“更像人”,而是让人知道何时该像、何时不该像。对编辑来说,工作也从“听清”变成了“听懂哪里不对”。这种判断没有统一标准,却恰恰是合成声音进入日常之后,最需要保留的部分。