夜里开车,导航声音提示前方转弯。句子没错,语气也平稳,但听久了,总觉得它在“念”,而不是在“说”。这种瞬间的迟疑,大概是很多人对语音合成的直接感受:字都认识,停顿也对,情绪却没有落到该落的位置。
问题往往不在音色
提起语音合成,讨论常从音色开始:偏新闻、偏温柔、偏年轻。音色当然重要,但它不是全部。一句话的意思,常常藏在重音、停顿和语速里。比如“我没说他拿了书”,重音落在不同位置,指向的关系就变了。合成系统如果只学会把每个字读准,却读不出这种变化,听感就会停在“播报腔”。
技术流程大致可以拆成几步:先把文本变成可读的发音序列,再预测韵律,最后由声学模型和声码器生成波形。每一步都有损失。文本里的省略、口语词、专有名词,可能先被规整掉;韵律预测又依赖上下文,缺少足够语境时,只能给出平均化的处理。听起来“平”,未必是音色不好,而是句子没有被真正理解。
对话感来自上下文
语音合成真正的难点,是让声音跟着语境走。同一句“好的”,在确认、敷衍、安慰和结束对话时,声音状态并不一样。人说话会带一点犹豫、呼吸、尾音变化,也会根据对方反应随时调整。合成系统要处理的,不只是文本,还有文本之外的关系:谁在说,对谁说,说到哪里了。
这也解释了为什么有些短句听起来自然,长段落却容易疲。短句的语境窄,系统容易命中;长段落需要持续维持语气、节奏和指代关系,任何一处处理得平均,听感就会松掉。评价语音合成时,如果只让听众判断“像不像真人”,容易忽略另一个问题:它有没有把这句话的意思说对。
- 听感测试不能只放孤立句子,长段落和对话轮次也值得放进测试。
- 文本规整要保留口语痕迹,过度清洗会把语气一起洗掉。
- 韵律不是装饰,它承担了一部分语义。
边界不在“像不像”
语音合成进入日常场景后,评价标准会变得分散。有声内容在意长时间收听的疲劳感,客服场景在意打断和澄清时的反应,辅助阅读在意清晰与可控。它们未必要同一种声音,也未必追求同一种“自然”。有时,稍微保留一点机器感,反而让用户知道自己在和系统说话;有时,过强的拟人化又会抬高期待,让一次普通回复显得别扭。
所以,听一段合成语音,不妨先别急着判断像不像。可以听听重音有没有落在意思上,停顿是不是在替听众分组,语气有没有跟着上下文移动。语音合成走到今天,已经不只是把文字变成声音;它其实在测试一件事:机器能不能理解一句话为什么要这样说。