上周开车去栖霞山，刚拐进仙林大道，导航突然蹦出来一句”前面三百米右转，去买杯现蒸的藕粉再走”。
我吓得猛踩了下刹车，扭头看后排——空的。
哪来的我姐啊？
哦对，前阵子帮我爸折腾导航自定义语音，我把他存在手机里的、模仿我姐说话录的那段素材，直接导进语音合成引擎里做了个音色包。我自己忘了。
真的，那语气，那尾音飘起来的劲儿，甚至连我姐说话偶尔带的那点南京口音的”n/l不分”，都学得十成十。
那天我在路边停了五分钟，盯着导航界面愣了半天，才反应过来——我这是被语音合成给骗了。
你以为的语音合成，还停留在”机器人念课文”？
好多人对语音合成的印象，还停留在十年前的点读机，或者是早年的导航音。
字正腔圆，断句奇怪。
比如把”我想吃南京烤鸭”读成”我/想/吃/南京/烤鸭”，每个字都蹦得像按了弹簧，连个语气起伏都没有。
甚至有时候还会读错多音字，把”行长”念成”行走的长”，听得人尴尬到抠脚。
对，那时候的技术说穿了就是”拼积木”。
工作人员提前录好几百个单字、常用词、短语，等要生成语音的时候，就把对应的字抠出来，像拼乐高一样拼到一块。
能不生硬吗？
你想啊，真人说话的时候，”我想吃烤鸭”这几个字，重音是落在”烤鸭”上的，拼出来的语音哪懂这些？它只知道把字按顺序摆出来就行。
现在的语音合成，早就不是”拼积木”了
现在的语音合成，根本不是拼单字了。
它是真的在”学”人怎么说话。
我上次给我爸弄那个音色包的时候，只给他录了三分多钟的素材——就是平时他坐在沙发上，跟我妈唠嗑，模仿我姐说话的那段。
没有特意念稿子，就是平时的闲聊，有卡壳，有笑场，还有点带南京方言的尾调。
结果导进去生成的语音，连我爸模仿我姐笑的时候那点气音，都给保留下来了。
我当时鸡皮疙瘩都起来了。
说个我最近发现的小事：我奶奶今年八十七，眼睛花了，看不了纸质小说。
我之前给她用那种普通的读屏软件，她听了两天就嫌烦，说”这机器说话没温度，像念悼词”。
后来我找了我妈的微信语音，攒了大概十分钟的素材，做了个专属的语音合成音色，把她平时给奶奶打电话哄着吃饭的语气都录进去了。
现在我奶奶每天晚上躺床上，就用那个音色听《红楼梦》，说”听着我姑娘说话，比听收音机舒服多了”。
真的。
这玩意儿哪里是冷冰冰的技术啊，它是把平时没功夫录下来的那些细碎的、软乎乎的语气，都给存下来了。
别被”10秒克隆声音”的噱头给坑了
不过话说回来，现在网上好多吹语音合成的广告，真的有点太离谱了。
什么”录10秒就能克隆老板的声音，帮你开1小时的会”，什么”3分钟生成专属音色，代替你给客户打电话”。
我上次特意试了下。
找了个朋友，让他对着手机随便念了10秒的课文，导进去生成音色，然后输了一句”今天加班到十点，我真的会谢”。
出来的声音，跟他平时吐槽加班的语气，半毛钱关系都没有。
像个刚从播音系毕业的学生，字正腔圆，毫无情绪。
对吧？
你总不能指望一个只听过你平静念课文的AI，能演出来你看到科巷烤鸭排了五十米长队的那种崩溃感？
真正好用的语音合成，根本不是随便录两句就行的。
它得听过你开心的时候笑的样子，听过你生气的时候语速变快的样子，甚至听过你感冒的时候嗓子哑的样子。
不然生成出来的，就是个没有灵魂的”声音复印件”，骗得了别人一时，骗不了自己。
上周我姐来我家吃螃蟹，我给她放了那段导航的合成音。
她愣了三秒，伸手过来掐我胳膊，说”你什么时候偷录我说话的？”
我哪有偷录啊。
那是我爸之前模仿她说话，说等我结婚的时候，要给我塞个最大的红包，让我别舍不得花钱。
现在我把那段语音做成了导航的提示音，每次路过那个红灯，都能听见她的声音飘出来”慢点开，别抢”。
以前我总觉得，这些技术都是离普通人很远的东西，是实验室里的博士们折腾的玩意儿。
现在才反应过来。
它早就嵌进我们的日子里了。
是导航里的提醒，是奶奶听的小说，是短视频里配的旁白，是那些藏在声音里的、没说出口的惦记。
哪有什么冷冰冰的技术啊。
都是藏在日常里的软乎乎的小玩意儿而已。