有没有注意到——
现在AI语音配音的视频越来越多了：短视频里的语音讲解，播客、广告、小说朗读，新闻解说，都开始采用AI配音。
除了最基础的TTS（Text-to-Speech）语音合成技术，现在的AI语音已经进入了拟真阶段。比如VALL-E、ChatTTS、OpenVoice等技术，能自动根据语义生成AI语音，甚至可以做声音风格迁移。只要你上传原声，AI就能克隆声音，复刻你的音色、语速、语调、情绪特征，甚至模仿地方口音，让马斯克也能说上一口东北话。
nload="this.removeAttribute('width'); this.removeAttribute('height'); this.removeAttribute('onload');" />
技术确实进步得令人惊艳。声音清晰标准、节奏平稳、语调自然。挑不出毛病但就是感觉怪怪的，带着一种不自然的违和感。仿佛在听一个没有灵魂的演员在念台词。
为什么会这样？
nload="this.removeAttribute('width'); this.removeAttribute('height'); this.removeAttribute('onload');" />
人类的情感雷达有多灵
你听不出问题，但你就是知道“它不是人”。
这其实是人类大脑的奇妙能力。我们对人声的识别感知是超强的，尤其对于语气、情绪、真假感这些层面的感知，很多时候听到的话还没过脑子，潜意识就已经都识别好了。
人类听声音并不是听字面，而是在听情绪底色：
女友打电话说：“你开心就好”
你一听就知道自己能不能好得了。
上司说：“这个项目你来负责吧。”
你能瞬间感受到这是一句信任还是推锅试探。
心理学家 Klaus Scherer 早在1994年就提出：人类对语音中的情绪真实性具有极高敏感性 ，能从中分辨真假情绪、心理状态和意图。
演化心理学认为，人类对语音中的细微情绪差异有极强的识别力，是因为在远古社会有语言之前，我们通过声音判断敌意、愉快、求助。人类社会极度依赖协作与信任，判断「对方在想什么」至关重要；而声音是最即时的线索，它包含了说话者的肌肉张力、呼吸频率、情绪流动等无法隐藏的信号。
AI声音为什么总差点意思？
所以，AI配音的问题出在哪？我们先从底层机制开始聊起。
一、模型结构决定了它只能“模仿”
尽管AI语音合成技术（TTS, Text-to-Speech）已经非常成熟，甚至能模仿特定人的音色、语调和语速，但它的生成逻辑本质上是一套“拼装合成”流程，而不是一种带有动机的表达行为。
TTS 的常规工作流包括这几个步骤：
文本分析：把输入文字转成音素（比如汉语拼音）和语法标签。
韵律预测：模型尝试预测每个音节的音高、时长、停顿、重音。
声学建模：用深度神经网络生成声谱图（频率-时间图）。
nload="this.removeAttribute('width'); this.removeAttribute('height'); this.removeAttribute('onload');" />
波形合成：最后通过Vocoder（如WaveNet、HiFi-GAN）还原成音频。
听起来复杂，核心就是两件事：模式识别 + 生成拼接。这种机制像是在完成一次高质量朗读，但缺少人类语言中最本质的东西：临场的情绪驱动和表达动因。像 FastSpeech2、VITS这类模型，引入emotion embedding 和 style control，确实可以让AI声音在快乐、悲伤、愤怒间切换。但这种控制都是外部标签驱动，不基于上下文，更不是基于理解人类说话时的微妙心理博弈。
人类复杂的情感决定了天生是潜台词高手，说话的含义高度依赖于当时的文化、关系、语境：
“你开心就好” 其实不太好，AI以为是欣慰；
“你行你上” 其实破防了，AI以为是鼓励；
“你可真棒啊” 有嘲讽的可能，但AI用了赞叹语气；
AI在理解人类文字游戏（比如暗示、高级黑、反讽、含蓄委婉）的能力还不够，情绪和真实语义一旦分离，表达就会失真。
另外，TTS模型的“中庸主义”也导致了情感的扁平。
当前主流的TTS模型大多是通过学习海量语音样本的平均说法来合成声音，最终生成一个最“合理”的声音版本。这种方式虽然听起来自然通顺，但也导致每一句话的情绪都被磨平了，失去了人类语言中的个性、突发性和情绪张力，就像套了个情绪模版。所以说，韵律模型学的是“常态”而不是“状态”，少了临场变化。比如人生气时，说话会变得高频 + 不规则，但AI仍然在平稳地表达愤怒，所以听起来就少了点活人感。
即便是当前最先进的生成式语音模型，如微软的 VALL-E，也并未跳出这一结构。它采用类似语言模型（可以理解为GPT for Speech）的机制，将3秒音频样本压缩成离散Token，然后根据文本预测下一个声音片段，从而实现音色+语气+风格的保留与复现。
nload="this.removeAttribute('width'); this.removeAttribute('height'); this.removeAttribute('onload');" />
▲ 图 / 《VALL-E: Zero-shot Text-to-Speech with Audio Codec Models》, Microsoft Research (2023)
在音色和语速上无限接近真人，但本质上仍是TTS框架上的优化 —— 用数据拼出一个最可能的音轨，并不是理解你在说什么，也不是在用你的动机说话。
nload="this.removeAttribute('width'); this.removeAttribute('height'); this.removeAttribute('onload');" />
▲ 图 / 《VALL-E: Zero-shot Text-to-Speech with Audio Codec Models》, Microsoft Research (2023)
VALL-E原始论文也明确表示，虽然咱训练了 60000 小时的数据，但训练语料偏向朗读风格，没法很好地处理日常社交语境下的临场语言变调。简单说就是：它很会“读”，但不会“聊”。
本质上，人说话是流露情绪，AI是表演情绪，是依靠风格迁移或标签控制。就比如你告诉AI这句话是悲伤的，AI 就像演员照着“哭戏模板”演一场戏，缺少根本上的情绪动因。
二、AI声音太干净，因为它没有“身体”
我们常说一个人“听起来像刚哭过”、“说话带着笑意”，就是因为人类的声音从来不是一个孤立的音频，而是整个身体与情绪系统协同工作的结果。而AI配音只是一段合成音轨，声波的真实感都被压平了。虽然在音色上可以拟真，但缺少身体的痕迹：没有微喘气声、喉咙的不稳定震动，肌肉张力变化、吞咽、停顿、情绪导致的呼吸节奏改变，就像水煮声音，干净到不真实。
AI语音合成的技术美，恰恰成了它最大的“不自然”之源 —— 它太规则、太理性，而人声是情绪、混乱、张力与身体的共鸣。
但这一切并不是AI的问题，是人类的说话方式太高级。人说话时，说的不只是内容，也在表达“我是谁”、“我对你的态度”、“我现在的心情”。
它本质上包含了：多模态信号（语音+表情+姿势+节奏）、动态反馈机制（根据对方反应调整语气）、高度文化依赖（不同场合、不同关系说话完全不同）。 这三者之间要高度一致，才会让人觉得自然。
AI语音会变得更好吗？
会。
现在很多研究正在努力让AI的声音更像人， “Speaking Style Modeling” 是近年来TTS研究的新方向，尝试加入更多变异性与即兴性。 比如 EmotionFlow 试图模拟情绪随语义流动的自然曲线 （semantic-aware prosody modeling） ，替代以往贴情绪标签的方式；Context-Aware TTS 加入上下文建模来预测说话语境与角色身份、StyleSpeech、GST-Tacotron等模型聚焦于模仿人类说话风格，比如开玩笑、叹气、嘲讽的语调。但这一切离“有灵魂的表达”还有段距离，因为对情绪动因和表达意图的理解， 还需要人类的社会化经验。
核心问题在于：AI没有“心”。
它没有动机，没有关系感，也没有“对谁说”的意识。只要它不能理解自己说这句话的目的和状态，它的语音就永远是模拟，而不是表达。
人类交流的本质，其实是在感知一个灵魂在用身体表达自己，而AI说话，是一个程序在模仿这个过程，这之间的差距是生命。
nload="this.removeAttribute('width'); this.removeAttribute('height'); this.removeAttribute('onload');" />
但话又说回来，当未来某一天，AI声音真实到你无法分辨“是谁在说话”时，你还在乎那是不是“人”吗？
AI可以代替人说话了，那么谁来对这些话负责？我们是否愿意相信一个没有动机、没有关系、没有情感内驱力的说话者？
说话的本质，是表达、是共情、是人际的回应。如果这也被彻底外包给算法，我们与AI的界限又还剩多少？
end
[1] Shen, J. et al. (2018). Natural TTS synthesis by conditioning WaveNet on mel spectrogram predictions. arXiv preprint arXiv:1712.05884. https://arxiv.org/abs/1712.05884
[2] Ren, Y. et al. (2020). FastSpeech 2: Fast and High-Quality End-to-End Text to Speech. arXiv preprint arXiv:2006.04558. https://arxiv.org/abs/2006.04558
[3] Kim, J. et al. (2021). Conditional Variational Autoencoder with Adversarial Learning for End-to-End Emotional Speech Synthesis. arXiv preprint arXiv:2106.06103. https://arxiv.org/abs/2106.06103
[4] Wang, C. et al. (2023). VALL-E: Zero-Shot Text-to-Speech with Audio Codec Models. arXiv preprint arXiv:2301.02111. https://arxiv.org/abs/2301.02111
[5] Crawford, K. (2021). Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence. Yale University Press. https://yalebooks.yale.edu/book/9780300209570/atlas-of-ai/
[6] Resemble.ai. (n.d.). Resemble.ai – Voice Cloning & AI Speech Generation. https://www.resemble.ai/
[7] EmotionFlow Team. (n.d.). EmotionFlow: Let AI Speak with Emotions. https://emotionflow-demo.github.io/
[8] The Verge. (2023). AI voice is getting eerily good. Are we ready? https://www.theverge.com/2023/7/12/ai-voice-deepfake-elevenlabs-ethics
来源：DataCafe
编辑：月
转载内容仅代表作者观点
不代表中科院物理所立场
如需转载请联系原公众号