这东西现在可真是无处不在了，你想啊，有声书、导航语音、智能客服、甚至很多短视频为了省事儿，直接就用它配音。便利是真便利，这一点谁也否认不了。比如我吧，有时候眼睛看屏幕看累了，或者躺在床上犯懒不想拿手机，就能让软件把公众号文章或者网上的长篇报道给我念出来。耳朵听着，手还能干点别的，或者就纯粹放松，效率一下就上来了。特别是对于那些有视力障碍的朋友，这玩意儿简直是福音，打开了另一个获取信息的窗口，这个价值是无法估量的，真的，光凭这一点，它就已经意义非凡。
但这玩意儿，怎么说呢，用得越多，越觉得它有那么点… 别扭。尤其是那些免费的或者比较基础的版本，你一听就能听出来，这绝对不是个人类在说话。它会把句子读得特别直，没有抑扬顿挫，该停顿的地方不停，不该停顿的地方突然卡一下，就像一个外国人在说不熟悉的中文，每个字都认识，但连起来就少了点那股韵味。更别提什么情感表达了，高兴、生气、惊讶、悲伤… 在它那儿，通通是一个调调，波澜不惊，像个没有感情的复读机。念到“哈哈大笑”，它还是那个冷冰冰的腔调；念到“心碎欲绝”，它依然是那么平静，听着贼膈应。
当然啦，技术也是一直在进步的。你现在能找到一些高质量的语音合成软件，特别是那些付费的，声音听起来就自然多了，甚至能模仿出一些比较复杂的语气变化，比如疑问句的升调，或者陈述句的降调。有些甚至还能选择不同的“主播”声音，男声、女声、不同的年龄段，听上去没那么强的塑料感了。但！请注意这个“但”字，它再怎么模仿，离真正的人类声音还是有距离的。那种字里行间的呼吸感，因为理解内容而产生的细微情绪波动，读到精彩处的小停顿和重音，这些东西，机器现在还捕捉不到，或者说，捕捉得非常生硬，像是根据一堆算法硬套上去的模板。
我以前试着用一些软件给我的短视频配音，就是想图个省事儿。选了个听起来不错的“女声”，感觉挺温柔的。结果念到一段比较激昂的内容，这声音还是温柔得一塌糊涂，完全不对味儿！最后只能放弃，老老实实自己或者找朋友来录。那感觉，就像你精心准备了一道菜，结果最重要的调料却找了个替代品，看着差不多，吃起来就是差了那股灵魂。
而且不同的文字内容对它来说也是个挑战。念小说？人物对话怎么区分？旁白和心理活动怎么处理？念诗歌？那玩意儿更讲究节奏和意境，机器怎么懂？念技术文档或者专业论文？里面一堆缩写、专业术语，它能念对几个？发音错误是常有的事儿，有时候甚至会念出一些让人哭笑不得的音来，你听着就得费劲儿去猜它到底想表达啥。
但反过来想想，它解决了很多问题啊。比如效率问题。几万字的文章，人工录音得花多少时间？机器可能几分钟就搞定了。成本问题也是，请专业的配音员那费用可不低，用软件便宜太多了。还有无障碍，刚才说了，这块儿的贡献是巨大的。所以它更像一个工具，一个非常有用的工具，用来辅助、来提高效率、来弥补一些人类做不到或做起来很困难的地方。它不是来取代人类声音的，至少目前看来是这样，而且我个人也觉得，完全取代可能也不是什么好事儿。
那些声音，有时候听着听着，我会突然走神，去想背后那些算法，那些工程师是怎么一点点“教”它说话的。从最初那种像老式电报机的“嘟嘟嘟”到现在的流利（虽然有点平），这中间肯定经历了无数的努力和迭代。它进步的速度是惊人的，未来可能真的会做到更像人，甚至能模仿特定人的声音（想想就有点细思恐极）。
不过话说回来，那种自带感情、充满生命力的声音，那种真正能触动你心弦的声音，目前还是只有人类才能发出来。一个好的播音员、一个演员的台词、一个亲人的低语，那种声音里包含了太多机器无法理解的东西：生活体验、情感记忆、人与人之间的连接。文字转语音的软件能把信息传递给你，但温度和共鸣，它还给不了。
所以，对待文字转语音这东西，我的态度挺复杂的。一方面，惊叹于技术的强大，感谢它带来的便利和可能性；另一方面，又忍不住对它“不完美”的地方感到有点失望，或者说，是对人类声音那种独一无二的魅力有了更深的认识。它是个好帮手，但别指望它能给你讲一个真正有灵魂的故事。听听新闻、听听文章挺好，但如果想听得入神、听得动情，还是得是个人。你觉得呢？
发表回复