一声咳嗽的门槛
有声书播到某一段，朗读者停顿了半拍，补了一口气。就是这一下让我从故事里退出来——不是音色不好，而是那口气太匀、太干净，像从模板里取出来的。语音合成发展到今天，把字念准已经不算主要矛盾，让一段话听起来“有人在说”，才是难的部分。
难处在发音之外
文本前端负责把一句话拆成该读的单元，数字、多音字、专有名词的读法，都有相对成熟的规则可以依据。声学模型决定音高和音色的走向，声码器再把参数变成波形。这条链路里，真正拖后腿的往往是那些写不进稿子的东西：
- 停顿的长短，以及它落在逗号前还是逗号后；
- 重音压在哪个字上，语气重起来时整句的重心会不会挪；
- 换气的位置，以及换气时声带不完全闭合的那点杂音；
- 情绪拐弯处，语速和音量的细微不同步。
这些在真人录音里几乎不被注意，一旦缺失，机械感就浮出来。所以常有人说，判断一段合成音频像不像人，依据往往不是它念得对不对，而是它在不该完美的地方有没有露出一点不完美。
几代做法各自的取舍
早期靠拼接，把真人录好的音节单元连起来。素材库越全，接缝越少，但存储和连贯性都要付出代价；长句里语气一旦变化，衔接处就容易露馅。参数化方法用统计模型预测声学特征，输出稳定，代价是声音偏平，起伏被磨掉。端到端的神经方法把文本直接映射成波形，自然度明显前进，新问题也随之而来：可控性。想让某一句带点犹豫，往往只能反复调整描述，很难像拧旋钮那样精确定位。
这也是我认为语音合成接下来几年真正的分水岭——不是还能更像人到什么程度，而是能不能把“像”拆成可操作的维度：语速、停顿、重音、气声、情绪强度，各自独立地给出一个值。
像人不是唯一的衡量标准
行业里习惯把逼真度当作标准，但不少真实场景要的东西正好相反。导航播报、设备提示、长篇朗读，用户需要的是同一把声音、稳定的语速、不出错的断句，偶尔的“人情味”反而是干扰。客服场景里，声音太快被听成敷衍，太慢又显得不熟练，分寸靠的是节奏设计，不是模仿某个具体的人。
另一面是滥用。语音合成把伪造一段录音的门槛拉低，这件事没有技术上的干净解法。能做的更多在产品侧：来源标识、水印、授权条款，以及让普通人有机会判断一段声音是不是合成的。这些机制不酷，却决定了这项技术能不能被放心地用。
我关心的是那些小事
回到那声咳嗽。它不是表演，是身体在说话时的自然反应。合成系统要复现它，得先知道人为什么会在那里咳一下，而这不只是声学问题，更接近对说话这件事本身的理解。在那之前，我会继续留意那些让声音露馅的细节——它们比任何演示都更能说明技术走到了哪一步。