深夜戴耳机听有声书，读到一句反问，语气在句尾轻轻一挑，意思就对了；换个位置挑，整段话的立场都会歪掉。这样的瞬间提醒我，评价一段机器生成的声音，光听音色是不够的。
像不像人，可能是个问歪了的问题
这几年声音的质感进步明显。气声、齿音、换气的间隔、句尾的自然衰减，都能做出来，冷不丁听几秒，很容易以为是真人。但把一段稍复杂的文字交给语音合成，破绽常常出现在别处：该重读的字被轻轻带过，该停的地方一口气念完，本该是补充说明的括号被读得像正文。
声音像不像人，是第一耳的印象；话说得对不对，要听第二遍才听得出来。
声音下面还压着一层文本理解
汉语写下来，很多信息藏在字面之外。比如：
- 同一个字在不同词里读音不同，需要看上下文才能定；
- 书名号、引号、破折号各有各的语气含义，不只是排版符号；
- 一句话的重音落在哪个词上，决定了它是在陈述、纠正还是反问。
这些不是声学层面的难题，而是文本层面的。系统如果只是把文字切成音素再逐个发音，遇到分句就只能靠猜；猜错一次，听众就得回头重听一遍。
短样音听不出长文本的疲惫
几十秒的样音几乎说明不了什么。真正的考验在长内容里：播到第二十分钟，节奏会不会变得平均，情绪会不会一路平推，同一个专有名词前后两次读音是否一致。语音合成在长文本上的稳定性，靠的不是单句质量，而是全局规划——它得记住前面说过什么，才能决定后面怎么接。
一个可以自己动手的检验
想粗略判断一套系统是在“理解”还是在“播报”，有个笨办法：把同一段话交给它，只改动标点和语序，看读法是否跟着变。如果重音、停顿、语气纹丝不动，那它多半只是在照着字面念；反过来，若它对一顿、一逗有反应，说明文本分析那一层是接上了的。
边界也要说清楚
声音越来越容易复制，也带来另一重问题：一段录音被拿去合成，责任该落在谁身上，技术本身并不回答，使用它的人得回答。授权、标注、可追溯，这些环节目前并不统一，也不该被音质的进步掩盖过去。
回到开头那个深夜。我关掉音频时想的不是音色有多真，而是它有没有把那句话的意思读对。语音合成走到今天，稀缺的可能不是更漂亮的嗓音，而是把一句话说准的耐心。