帮家里老人打一个客服电话，接通后那头的声音会吸气、会停顿，把“您”说得很轻。我下意识回了句“您好”，隔了两秒才意识到，对面是一段合成的声音。让我愣住的地方在于，它像人到我不知道该用什么语气回应，而不在它有多像人。
像不像，已经不再是唯一的门槛
语音合成这些年的进步，大部分发生在“像”这件事上。从早期靠拼接音库、后来靠参数化建模，再到端到端的声学模型配神经声码器，路径换了几轮，听感上的毛刺被一层层磨掉。如今给一段十几秒的参考音频，就能复刻出相当接近的音色，而几年前这还需要几小时录音。
但真正用起来，问题常常不在音色。一段几百字的产品说明，念到一半就可能露出破绽：数字怎么读、人名怎么断、括号里的英文缩写要不要念全。文本前端这一层枯燥得很，却常在这里出问题。“2024年”读成“二零二四年”还是“两千零二十四年”，要看上下文；电话号码如果不按习惯分组，听的人得在脑子里重新切一遍。这些错误不会让人觉得“技术不行”，只会让人觉得“这机器不太靠谱”。
停顿比音色更难学
人说话不是每个字一样重。一句话里哪里有换气、哪里拖半拍、哪里突然压低声音，传递的信息不比词本身少。合成的语音往往在这上面显得“平”：每个音节都对，连起来却像在朗读一份没有标点的文件。
更麻烦的是交互。真实对话里，人会抢话、会“嗯”一声表示在听、会在对方说到一半时插进去。合成的声音如果只会从头念到尾，遇到打断就停下重来，那点像人的感觉很快就没了。延迟也是同理：回答慢半拍，前面攒下的自然感会被迅速抵消。所以做语音合成的团队，做到后面往往发现自己在解决的是对话节奏问题，而不只是声学问题。
评价标准正在悄悄移动
过去衡量语音合成，常用的是“像不像真人”“听感打分”这类指标。它们有用，但只回答了一半。用户真正在意的是：这段话我听懂了吗，我愿意听完吗，我挂断之后会不会觉得被敷衍。
换个说法，评价的落点从“声音”移到了“任务”。有声书要的是长时间不出戏，导航要的是一句话里重点清楚，客服要的是别让人反复确认。同一个模型，在这几种场景里的表现可能差得很远；变的是容错的地方，不是模型。
还有一条不太技术的边界
声音克隆变便宜之后，授权和告知成了绕不开的事。用自己的声音合成内容，和用别人的声音合成内容，中间隔着一句“他同意了吗”。这件事靠技术解决不了，只能靠使用时的自觉和规则。至少在有录音、有播放的场合，让听的人知道对面是合成的，不算多余。
回到那通电话。我最后把话听完了，原因跟像不像人关系不大，它没有在我想插话的时候卡住。语音合成接下来要打磨的，大概就是这种不起眼的地方：让人不被打断，而不是让人惊叹。