一段听起来“没错”的音频,为什么还是让人出戏
晚上戴耳机听一段资讯,句子没有错字,停顿也规矩,可听到第三段时会突然意识到:这是念出来的。问题不在音色像不像真人,而在语气没有跟着内容走。语音合成常被当成“把文字读出来”的工具,真正难的是决定哪里该轻、哪里该停、哪句话需要收着说。标点能给出粗线索,却给不了语境。一个问句在客服播报里可能只需平稳,在故事里却要带一点迟疑;同一串数字,在地址、价格、日期里的读法也不一样。
这解释了为什么不少合成音频“单句听不出问题,连起来就发木”。听众感知的不是某个音素,而是整段话的呼吸。语音合成若只解决发音准确,仍会留下朗读腔:每个字都清楚,句子却没有重心。
先把文本读“懂”,再谈声音
落地时,文本处理常显得琐碎。缩写、多音字、数字、英文混排、括号里的补充说明,都可能让读法跑偏。编辑若只丢给系统一段纯文本,听到的往往是“字都对,气口不对”。一个务实做法是先做可朗读化:把符号改成口语提示,把长句拆成能换气的短句,把需要强调的词单独标出。不是所有内容都值得加情绪,资讯播报和儿童故事对语气的要求并不相同。
- 检查多音字与专名读法,别等成品出来再逐句返工。
- 给数字、单位、日期写明读法,减少系统猜测。
- 用短句和自然停顿替代密集从句,先让文本适合听。
- 保留人工试听环节,重点听段落衔接与情绪转折。
这些动作不神秘,却决定了语音合成是“能听”还是“愿意继续听”。
边界不在像不像,而在合不合适
语音合成不适合被要求包办所有表达。新闻播报、通知提醒、知识讲解,稳定清楚就够;带讽刺、犹豫、方言味或强个人风格的段落,仍可能需要人来判断。把合成声音用在需要明确责任和情感分寸的地方,编辑要保留复核。否则,一段语气过分热络的提醒,可能让听众觉得冒犯;一段过分平的通知,又可能显得冷淡。
所以评估语音合成时,不妨少问“像不像真人”,多问几个具体问题:这句话的重音放对了吗?段落之间有没有呼吸?遇到专名和数字,读法是否可预期?听众是否知道该在哪里注意?这些问题不花哨,却接近日常使用。声音技术往前走,编辑的手艺也没有消失,只是从写给人看,延伸到写给人听。