地铁上，我常听一段机器朗读的长文。发音挑不出错，每个字都对，音量也稳。可听上五分钟，注意力还是会飘走。不是因为它不像人，而是因为它太像一台“一直在正确念字”的机器。
这几年，语音合成在“像人”这件事上进展明显。字正腔圆早就不是门槛，连语气和停顿也开始有了形状。但真正决定一段声音能不能被长时间听下去的，往往不是清晰度，而是那些说不清的东西：一句话在哪里换气，重音落在哪个字上，句尾是轻轻收住还是拖一点。
同一个句子的几种读法
“我没说他偷了钱。”这七个字，重音挪一个位置，意思就变了。是“我”没说，还是我没“说”，还是说的不是“他”。人能靠上下文瞬间选定一种读法，语音合成要靠模型去猜。猜错的代价不算大，却足以让听者心里咯噔一下——那种细微的错位，比读错一个字更消耗耐心。
还有更琐碎的层面。数字怎么读，“2024”是年份还是编号；单位符号要不要展开；中英混排时在哪儿断开；多音字在专有名词里该取哪个音。这些活在前端，业内叫文本规整，做起来并不体面，却决定了后端的声音有没有机会被听见。
从拼接、参数到端到端
早年的做法是把录好的音素片段拼起来，边界处难免生硬。后来用参数化建模，把音色、韵律压进统计模型，灵活了，却常常带着一点“糊”。再往后，端到端的神经网络把文本直接映射成声学特征，再由声码器还原成波形，自然度提升得很快。技术路线的变化，实质是把“人来定规则”换成“让模型从数据里学”。省事是真的，可解释性下降也是真的——出了问题，你很难指出是哪一条规则错了。
评测的尴尬
衡量一段合成语音，常见做法是请人听完打分。可人对声音的判断极不稳定：同一段音频，放在安静的房间里和放在通勤路上，感受会不一样；听一句和听十分钟，结论也可能相反。“听起来自然”是一个能被感知却很难被量化的目标，这让优化容易跑偏——把单句做到无可挑剔，却安排不好一整段话的呼吸。
边界与告知
语音合成还有另一面。声音是人的生物特征，一段几十秒的录音，如今已经足够训练出相当接近的音色。授权范围、使用场景、是否要明确告知听众“这是合成的”，这些问题在业内被反复讨论，规则却还在形成中。谨慎一点说，技术能力跑在了共识前面。对做产品的人来说，加一句提示、留一条可追溯的记录，成本不高，却是把这项技术放在阳光下使用的前提。
我更在意的方向
语音合成的价值，不在于能不能骗过耳朵，而在于它能不能不打断注意力。有声内容的批量生产、视障用户的信息获取、长文本的“听读”、播报场景的夜间版本——这些地方要的不是表演，是稳。一段合成声音如果能让听者忘记它的存在，专心在内容上，它就已经成功了。
反过来说，那些刻意模仿情绪、模仿笑声和叹息的尝试，有时反而让人出戏。人对“假”的察觉，往往不在音色，而在节奏里那一丝不合时宜。
所以，当语音合成越来越像人，真正的问题也许不是它还能多像，而是我们打算把它放在什么位置：替人说话，还是替人念字。这两件事的距离，比听起来要远。