合成语音听起来像机器的五个具体原因

2026-08-24

“这个声音听着像机器”是一句几乎无法执行的反馈。 它可能指语调平、可能指断句怪、也可能指音色发闷——这三件事出在语音合成流水线的不同位置，修的方法完全不同。

这篇把这句抱怨拆成五个可定位的具体问题。拆完之后，你再听到一段不满意的合成语音，能说出的就不是”不自然”，而是”停顿错了”或者”高频没还原出来”。

先立坐标系。语音合成的主流结构是三段：文本 → 前端 → 声学模型 → 声码器 → 波形。前端做文本规范化、注音和韵律预测；声学模型把语言学特征映射成梅尔频谱这类中间表示；声码器把频谱还原成波形。完整拆解见语音合成是怎么工作的：从文本到波形的三段流水线。下面五个原因，每一个都对应其中某一段。

原因一：韵律平，每句话都是同一个调子

现象：听三句没问题，听三十句就发现所有句子的起伏轨迹一样——开头稍高、结尾降下来，中间没有重音落点。

真人说话的重音是随语义走的。“我明天去北京”这句，强调”我”、强调”明天”、强调”北京”是三种不同的意思。合成语音如果每个字的能量和音高都差不多，信息的层次就被抹平了，听感上像在念，不像在说。

出在哪：前端的韵律预测和声学模型两处。前端负责预测重音落在哪里，声学模型负责把标注真正变成音高与时长的变化。前端标错了，声学模型再好也演不出来；前端标对了，声学模型表现力不够，起伏一样会被压平。

怎么改善：如果系统提供文本级标记能力，就显式标出重音位置；不提供的话，把长句拆短、要强调的词单独成句，往往比反复换模型有效。

原因二：该停的地方不停，不该停的地方乱停

现象：一长串定语一口气读完，中间不换气；或者在一个词的中间莫名其妙断开。

断句错误比读错单个字更伤可懂度。“下雨天留客天留我不留”是个老例子——同一串字，断句不同，意思相反。听众靠停顿切分句子成分，停错了理解成本立刻上升。

出在哪：前端的断句与韵律预测。这一段要判断哪里是短语边界、哪里该插呼吸停顿，依据是句法和语义，不是字数。

怎么改善：主动加标点是最直接的手段。逗号、分号本来就是给断句用的信号，写文案时舍不得加，后果就得自己承担。前端还有多音字、数字读法等一堆坑，见TTS 前端在做什么：文本规范化、注音与韵律预测。

原因三：音色发闷，或者带一层金属味

现象：内容和语调都对，声音却”隔了一层”，齿音和气声模糊；有时反过来，带一种不属于人声的电子质感。

出在哪：声码器。它的任务是从梅尔频谱恢复时域波形，而这是个欠定问题——频谱丢掉了相位信息。早期用 Griffin-Lim 迭代估计相位，估不准就留下明显的金属感。神经声码器改为直接学习频谱到波形的映射，音质大幅改善，但只要还原不到位，高频损失和质感异常依然是这一段的典型症状。

怎么改善：这一段能动的余地最小，主要是选实现和输出配置。另外采样率不是越高越好，目标信道是 8 kHz 电话时，合成 48 kHz 再降采样是白费算力。两段的分工见声学模型和声码器各自在干什么。

原因四：太干净了——一点杂音都没有

这一条最反直觉：问题不是有杂质，而是完全没有杂质。

真人说话时有换气声、有轻微的迟疑、有说到一半的改口。这些在文本里根本不存在，却是”有个人在现场说话”的重要证据。全部抹掉之后，剩下一条过于平整的声音轨迹——每个字都清晰、每次转折都干净、连续几分钟不喘气。

人耳对这种”完美”敏感。它不符合任何一次真实的说话经验，于是被归类为非人。“太干净”本身就是一种不自然，把它当音质指标去追求，方向就反了。

出在哪：声学模型的建模范围，以及训练数据是否保留了这些现象。很多语料在制作时会把换气声和口误当噪声清掉，模型自然学不到。

原因五：语气和内容打架

现象：用标准播报腔读一句道歉，或者用同一种轻快语气念完一段事故通报。字都对，气氛全错。

这不是音质问题，是语义与韵律不匹配。听众会同时接收内容和语气两路信息，两路冲突时，怀疑感就出现了。

出在哪：声学模型的风格控制环节，以及上游有没有把”该用什么语气”传下来。纯文本输入不含情感标注，模型只能按训练数据的平均风格读。

怎么改善：用系统提供的情感控制能力显式指定。控制方式大致有标签式、参考音频式、自然语言提示式三类，各有取舍——注意可控性和自然度常常此消彼长，控制信号给得越硬，语音越容易发僵。细节见TTS 的情感与语气控制。

恐怖谷：越接近真人，剩下的不像越刺耳

还有个反直觉的现象：合成质量提升之后，抱怨不一定减少。

当声音明显是机器时，听众会自动降低期待，小毛病不构成问题。当声音已经足够接近真人，框架切换成”这是个人”，任何一处不匹配都会被放大——一个不该有的停顿、一次不换气的长句，都会突然变得刺耳。

于是优化到后期，收益不来自继续提升平均质量，而来自消除低频出现的异常点。平均分再高，每分钟出一次破绽，整体印象依然是假的。

为什么听一句觉得挺好，听一段就出戏

选型时最常踩的坑：试听几句很好，接上真实长文本就露馅。

原因有两个。一是韵律单调只在长度上暴露——单句听不出”每句都一个调子”，因为只有一句。二是长文本要切分合成，跨片段会漂移：音色可能变、语速可能不一致、拼接处可能有爆音，段落停顿还需要在拼接时显式插入静音，而不是指望模型自己留。

所以评测要用贴近实际长度的语料。主观评分本身的坑更多，见MOS 是怎么打出来的。

症状定位表

把上面五条压缩成一张对照表，从听感直接查到流水线环节：

你听到的症状	大概率出在	具体环节
每句都一个调子，没有重音落点	前端 + 声学模型	韵律预测标注，以及音高时长的建模表现力
断句怪，该停不停或词中间断开	前端	断句与停顿位置预测
声音发闷、高频细节缺失	声码器	频谱到波形的还原不足
有金属味、电子质感	声码器	相位估计不准
太干净、不换气、毫无迟疑	声学模型（含训练数据）	非语言现象未被建模或被清洗掉
语气和内容对不上	声学模型的风格控制	情感信息没传下来或控制不生效
长文本中途音色变了	工程层	长文本切分与片段拼接

表的用法：先定位环节，再决定要不要换实现。很多被归因为”模型不行”的问题，改改文本标点就解决了。

常见问题

问：这五个原因里，哪个最值得先修？

按投入产出比通常是停顿和韵律——它们出在前端，而前端是使用者唯一能通过改文本直接影响的一段，加标点、拆长句、标注读音成本极低。音色类问题可调空间小得多。

问：加入换气声和迟疑，不会显得不专业吗？

要看场景。新闻播报、导航提示这类场景，听众本来就接受”这是播报”的框架，过度拟真反而奇怪；有声书、虚拟角色对话这类需要沉浸感的场景，非语言现象缺失会直接削弱可信度。标准不是”越像人越好”，而是这个场景下听众期待什么。

问：为什么实时对话里的合成语音格外容易显得机械？

实时场景要压首包延迟，很多改善自然度的手段——看到完整上下文再定韵律、用更慢但更细腻的生成方式——都会被延迟预算挤掉。这是取舍，不是能力不足。详见流式 TTS 与首包延迟。