前阵子帮朋友听一段有声书样音,四十多分钟,我中途才意识到自己在听合成的声音。不是因为它完美——中间有几处停顿略长,换气的位置也有点规律——而是因为我本来没打算挑刺。
这大概是语音合成这几年最实际的变化:它从“能不能听懂”变成了“愿不愿意一直听下去”。前者是清晰度问题,后者是注意力问题。
从字正腔圆到“不那么字正腔圆”
早年的合成音有明显的机械感,一句话里的轻重几乎一致,每个字都被同等对待。现在的常见做法是先把文本转成音素序列,再预测韵律——哪里该重、哪里该拖、句尾往上还是往下。近几年的模型更进一步,直接从语音里学声学细节,包括气息、停顿长度的分布,甚至说话人那种说不清的习惯。
结果是,机器念错的时候,错得越来越像人。它可能在一个不该换气的地方换气,也可能把一句反讽念得过于诚恳。这些不再是清晰度的问题,而是理解的问题。
难的不是像人,是“像这个人”
麻烦往往落在很具体的场景里。给纪录片配旁白,导演要的不是“好听的声音”,而是和画面节奏咬合的那种语气;换成导航,用户需要的不是亲切,而是在嘈杂车厢里一遍就听清路口。这两个方向甚至互相拉扯:越自然,越容易含糊。
还有一个常被忽略的点是评估。听众打分能测出偏好,却测不出“这段声音用在凌晨三点的助眠内容里是否合适”。不少问题要在真实产品里跑上一段时间才暴露。
- 长文本的一致性:十几万字的书,前后听起来要像同一个人念完的。
- 专有名词与多音字:词表能解决一部分,剩下的靠上下文判断。
- 情绪的可控性:不是越丰富越好,而是能被稳定地指定。
声音是谁的
门槛降下来之后,麻烦更多落在权利和边界上。一段几十秒的录音能否用来训练一个音色,授权范围写到什么程度,成品里要不要标注,这些问题在不同地区的答案并不一致,行业里的做法也不统一。谨慎的方式是把授权写得比预期更细,而不是依赖事后解释。
我个人的判断是,接下来一段时间的看点不会停在“像不像”。当语音合成的可用性足够高,稀缺的反而是内容本身的判断:哪句话该慢,哪个停顿是必要的沉默。语音合成把发声这件事变得便宜,但决定说什么、怎么说,仍然要人来做。