接起一个陌生来电，对方说“您好，请问是……”，句子还没说完，我已经在心里给它贴了标签。不是音色的问题——那些声音早就做得干净、圆润，普通人挑不出毛病。破绽在别处：它不换气，不停顿犹豫，句子和句子之间像用尺子量过。
这其实挺讽刺。我们花了很长时间让机器“说清楚”，真正让人露馅的，却是那些说不清楚的地方。
破绽藏在多余的部分
人说话是有冗余的。一句话说到一半会咽口水，会在“那个”上卡一下，会在句尾把音调放下去表示结束了。这些动作不承载信息，却承载态度：我在想，我不太确定，我说完了。
语音合成过去把力气花在“像不像”，现在更多花在“顺不顺”。声学模型负责把文字变成声学特征，声码器再把这些特征还原成波形。两段都可以做得很精细，但精细不等于自然——一段没有任何瑕疵的音频，反而会让人觉得冷。
技术路线换了几轮，问题没完全换
早期是把人声切成小片段再拼起来，字与字之间常有接缝。后来用参数化方法，声音变平滑了，但也变模糊了，像隔着一层毛玻璃。端到端模型上来之后，自然度确实上了一个台阶，代价是它对数据要求高，遇到训练里没见过的语气，容易答非所问。
所以现在很多团队的做法是“补细节”：显式地建模停顿、重音、气息，甚至专门合成一个吸气声。听着像作弊，其实合理——人说话本来就这样。
它不需要骗过你
我越来越觉得，“能不能听出是机器”这个标准本身值得商榷。语音合成的用途分得很开：导航要的是短、准、不费脑子；有声书要的是长时间听不累；无障碍朗读要的是把结构念对。这些场景里，一个稳定、可预期、不出错的声音，比一个会叹气的声音更有价值。
真正该在意的是它出错时的样子。念错一个多音字，断句断在奇怪的地方，遇到数字和符号就开始含糊——这些问题不性感，但用户每天都在撞上。
- 多音字和专有名词，仍然要靠词典和上下文一起判断；
- 长句的停顿位置，直接决定听的人要不要重听一遍；
- 语速和音量的默认值，往往比音色更影响体验。
声音是可以被借走的
语音合成走到今天，另一件事绕不开：一段几十秒的录音，就可能被用来复刻一个人的声音。技术上这已经不算难题，难的是边界。谁有权同意，同意的范围有多大，用在什么场合需要标明——这些问题目前更多靠约定和平台规则，而不是靠技术本身。
我的判断是，接下来一两年，语音合成的进步大概率不会体现在“更像人”上，而是体现在“更懂场合”上：知道什么时候该停，知道这句话是通知还是安慰，知道自己在替谁说话。
至于那半秒的破绽，也许它会一直存在。就像我们听得出电话里的录音和真人，不是因为录音不够清楚，而是因为真人有迟疑。迟疑这件事，本来就不好复制。