戴耳机听一段由语音合成朗读的长文档，前两分钟往往没什么异样。音色干净，字音准确，连标点都处理得规规矩矩。可到第十来分钟，注意力开始飘。不是听不懂，是不想听下去。
这种疲劳感常被归到“机器味”上，但真去拆，音色只是表层。如今的声学模型和声码器能把音素还原得相当接近真人录音，问题更多藏在字与字之间的缝隙里。
一口气的长度
人说话是要换气的。一句话说到一半，气不够了，会提前收尾，或者用一个短促的停顿续上。这个动作带出语速的轻微起伏，也带出句子内部的结构：哪里是一个意思说完了，哪里只是喘口气。
合成语音在原理上不需要呼吸。它可以把一个长句匀速念完，中间不留断点。听起来每个字都对，但耳朵接收到的是一条没有起伏的线。听的人得自己去找句子的边界，这个额外的认知负担累积起来，就是走神。
有的系统会主动插入呼吸声。麻烦在于，呼吸放在哪里、多长、多轻，跟语义绑得很紧。放错位置的换气声，反而容易让人出戏。
重音落在哪个字上
同一句话，重音挪一个位置，意思就变了。“我明天去”和“我明天去”，落在不同的字上，回答的是不同的问题。人靠上下文和对话场景判断，模型能拿到的往往只有前面几行文本。
这就牵出语音合成里比较难绕开的一环：韵律预测。文本分析给出音素和词边界，韵律模块要决定停顿、延长、音高走向。它对上下文的理解越浅，念出来的句子就越平。音色可以靠数据堆，韵律很难。
还有一个常被忽略的细节：专有名词和多音字。一段听感平滑的音频，可能在一个地名或人名上突然卡住，或者念错。这种时刻不多，但一旦出现，前面建立的信任会掉一大截。
没有统一答案的听感
评价一段合成语音，有一些客观指标可用，但落到“听着累不累”这件事上，还是得靠人耳。而人的注意力本身就是波动的，同一段音频，早上听和晚上听，感受可能不同。这让优化目标变得模糊。
所以更实际的做法，可能是按场景分开看。短提示、导航指令、播报类内容，句子短、信息密度低，对韵律的要求没有那么苛刻。长文本朗读、有声内容、对话式交互，句子长、语义层次多，气口和重音的分量就上来了。这不是谁高谁低，是需求本身不一样。
回到开头那段让人走神的音频。它读对了每一个字，却没有替听的人想过：这句话该在哪儿停一下。语音合成往前走的这段路，恐怕不在嗓子上，在节奏上。