有一次打客服电话,对面报完工号后停了半秒。那半秒的呼吸太均匀了,我才反应过来,那是语音合成。
这种“听出来”的时刻正在变少。早几年毛病很明显:字与字黏连,句尾上扬得莫名其妙,碰到数字和英文就露怯。现在这些在短句、标准文本、安静环境里基本被压住了,很多人已经不会特意去分辨。
难的不是音色,是重音落在哪
朗读型内容——导航、有声书、通知播报——现在大致够用。真正难的是对话:一句话说到一半被打断,接回来时该用什么语气;“我下周再去”里那个“再”要不要重读;同一个句子,重音挪一个词,意思就变了。语音合成在这里做的其实不是发声,而是替说话人做语义判断。判断错了,声音再自然也不对。
另一类麻烦在长尾。人名、地名、多音字、中英混读、单位和符号,这些在演示文本里出现频率很低,在真实业务里却天天遇到。模型对常见词很稳,对没见过的组合就容易露怯。
技术路线换了,风险也跟着换了位置
从早期的拼接合成、参数化统计模型,到端到端神经模型,变化不只是音质。声码器把频谱还原成波形,风格和韵律越来越多地交给模型自己学。近几年自监督语音表征和大规模语音模型,让“用少量样本复刻一个音色”比过去容易得多。门槛降下来,滥用空间也随之变大。
所以讨论语音合成时,很难只谈效果。声音是可以被冒用的身份信息,授权、留痕、内容标识这类问题,某种程度上比音质更早成为落地的前置条件。具体的监管与行业做法还在演进,不宜下定论,但“先问能不能用、再问像不像”的顺序,正在成为不少团队的默认。
能上线的那一版,通常没那么惊艳
演示音频追求几十秒里的惊艳,产品要的是长时间稳定。流式输出带来的延迟、并发下的资源占用、生僻文本的兜底策略、出错时能不能快速定位——这些不上台面,却决定一套系统能不能真的接进业务。我的判断是,语音合成的较量正在从“像不像人”转向“出了问题能不能查、能不能改”。
回到那通电话。它其实读得没错,只是太顺了。人对声音的信任,往往建立在那点不完美上。