接通电话，对面报出工号，语速平稳，停顿精确。听上十几秒，会察觉少了一样东西：呼吸。真人客服在句子之间会轻轻吸气，紧张时气息变浅，说到长句末尾声音会自然下沉。这些细碎的动静常被当成噪声，却是判断“对面是不是人”的线索之一。
语音合成这些年的进步，很大程度上就是把这类线索一点点补回来。早期做法是从录音库里挑片段拼接，音质取决于库的规模，句子一长就容易接缝生硬。后来参数化方法用统计模型预测声学特征，再由声码器还原波形，灵活了，却常带一层电子味。端到端神经网络把文本到波形的链条压短，韵律和音色开始能分开建模，声音听起来更像“一个人在说话”，而不是“一段音频在播放”。
气口不是装饰
停顿、重音、气息，这些东西在文本里没有标记。标点只给出粗略的句读，哪一处该换气，哪一处该压低声，取决于说话人的意图和体力。模型从语料里学到的是平均规律，输出往往过于均匀：每个逗号停得一样长，每句话收尾都干净利落。听久了会觉得“顺，但没有起伏”。
更难的是实时。流式合成要边生成边播放，等不了整句上下文，模型只能看前面几个字。分块太碎，拼接处容易出现音高跳变；块留得大，延迟又上来。做语音交互的产品常在这里做取舍：是让声音更自然，还是让回应更快。这个取舍没有通用解，取决于场景是听书还是问答。
像不像，与该不该
近几年，几秒钟参考音频就能复制音色的能力逐渐普及。门槛降下来之后，问题从“能不能做像”转向“做了给谁听”。一段合成语音是否可信，不只取决于声学指标，也取决于它出现在什么场景。导航播报念错一个词，重录即可；若是冒充熟人开口借钱，代价不可逆。
对使用方来说，有几件事值得提前确认：
- 授权是否覆盖具体用途，而不只是“录一段声音”；
- 输出是否带有可追溯的标识，方便平台侧识别；
- 场景是否容得下一点机械感，而不是一味追求以假乱真。
把语音合成用在朗读、播报、辅助阅读上，收益是清楚的：内容可以快速变成声音，成本随规模下降。但越接近人际沟通的核心场景，越需要克制。声音像人，不等于可以替代人；技术团队把气口做真，产品经理更该想清楚，哪些地方宁可留一点不自然。
回到那通电话。也许有一天，对面的呼吸声会做得和真人无异。到那时，判断依据会从“听不听得出”转向“对方有没有告诉你”。这大概是语音合成走向日常之后，更值得关注的一步。