深夜开车，听一段导航播报。句子之间没有换气，字都对，语调也挑不出错，可听上十几分钟，人会莫名地累。问题不在发音，在于它不像一个正在说话的人。
把字读对，早就不是难点
过去评价一段合成音，标准很朴素：像不像人。现在这个门槛基本被跨过去了。给定几十秒录音，模型能学到音色、口音甚至说话习惯，念一段没见过的文本，隔着手机扬声器，普通人不太容易分辨。语音合成从实验室指标走进日常，靠的是声学模型和声码器这些年的迭代，但真正的分水岭在别处。
那些“多余”的声音
真人说话是有损耗的。说到一半停下来想词，会有一声很轻的吸气；句子太长，中间得偷一口气；情绪上来时，句尾会散掉。这些在早期拼接式做法里被当作噪声清理掉的东西，恰恰是“像人”的证据。
- 换气：不是每句都要，但长句、情绪转折处该有。
- 迟疑：停顿的长短不规律，比精确到毫秒的等间隔更可信。
- 微小的不完美：轻微的吞音、尾音拖长，反而降低机器感。
难处在于这些细节没有标准答案。同一句话，放在客服场景和有声书场景里，处理方式完全不同。所以现在的常见做法不是把规则写死，而是让模型从大量真实录音里学节奏，再留出可控的接口让人去调，比如给文本标注重音和停顿倾向。
延迟是另一条战线
对话场景里，声音好听不是第一位的，反应快才是。用户说完一句，等两秒才回应，再自然的声音也会露馅。于是流式合成变得关键：不等整句文本生成完，拿到前几个字就开始出声，边生成、边合成、边播放。工程上的取舍很直接——首包延迟和音质常常互相拉扯，具体权重得看场景。
端侧部署是另一个方向。把模型压到能在手机上跑，好处是响应快、离线可用、音频不出设备；代价是模型小，细节会打折扣。两条路并不互斥，实际产品里常按网络状况来回切换。
声音归谁
技术越顺手，授权问题越绕不开。一个人的声音算不算个人信息，模仿到什么程度算越界，各地做法并不一致。比较稳妥的说法是：涉及真人音色克隆，明确授权应当作为前提，合成内容最好带上可识别的标记。这不是技术能单独解决的事，需要产品设计从一开始就把边界划进去。
还有一类场景，我倾向于认为不该用合成音：需要有人为结果负责的对话。声音再自然，也替代不了“这句话背后有人在”的分量。
回到那段导航。它的问题不是不像人，而是太像一个从不出错的人。语音合成真正要补的，或许不是清晰度，而是允许自己有一点呼吸、一点犹豫的余地。