晚上十点从公司出来，导航说：前方路口右转。顿了顿，又补一句，注意行人。
那语气里有点犹豫。像真替我捏了把汗。
我妈第一次听见是在我车上。她愣了几秒，问，这姑娘是谁。
我说，没姑娘。手机在念字。
从「念」到「说」，中间换过好几拨人
十几年前学校机房那种朗读软件，你应该还有印象。一个字一个字往外蹦，声调平得像擀过的面皮，断句全凭运气。一句话听完，得在心里默读一遍才知道它说了啥。
那种声音只做到一件事——念。它跟说，差着十万八千里。
现在同一部手机里的声音，已经是另一套东西了。语音合成这四个字底下，换过好几代做法，每一代都在补上一代留下的窟窿。
文字到声音，中间卡着三道关
很多人以为，把字读出来就是查字典。
真不是。
第一关是分词和读音。「重庆」和「重要」，同一个字两种声调。字典能查到，可你得先知道它在句子里是哪个意思。「了」在「我吃完了」和「天要下雨了」里，调子压根不一样。数字更麻烦，120读成「一百二」还是「一二零」，银行卡号必须一位一位念，手机号又会自动按三四四的节奏分组。这些规矩写出来能堆一摞纸，还总有例外。
第二关是韵律。停顿、快慢、轻重。
你试着把「我今天很高兴」念成「我今天很，高兴」——意思没变，人味全没了。韵律错了，音色再甜也像机器。这也是为什么早期有些配音软件，明明用明星声音采的样，听起来还是别扭。每个字都念对了，可就是不知道在哪儿喘气。
第三关，把参数变成波形。这一步交给声码器，也最吃算力。
拼接、参数、神经网络，三代表演方式
早些年主流是拼接法。把真人录音切成一小段一小段，需要哪个音就去取哪一块，拼出一整句。
这个思路像什么？像你拿着一沓别人剪好的纸片去拼一封情书。字都对，可笔迹不连，纸边还带毛刺。所以那种声音总是一顿一顿的，尾音会突然断掉。
后来换成参数法。不再存片段，改成统计规律，让模型自己生成。顺滑多了，但糊。像隔着毛玻璃说话，字能听清，人没了。
再往后就是神经网络这一代。它不靠拼，也不是硬套公式，是听过大量真人语音之后，自己学会了怎么发一个音——包括气息、齿音、句尾那点往下掉的尾巴。
一个特别容易被搞混的地方
不少人以为AI配音就是变声器。录一段自己的声音，套个壳，出来就是别人的嗓子。
两回事。变声器改造的是已经存在的声音；语音合成是从文字直接长出声音。当然现在这两条路在靠近，声音克隆也属于这个大家族，但底下的原理路径并不一样。
还有个误区：觉得声音好听就够了。
远远不够。你去听那些念得好的有声书，主播的嗓子未必多惊艳，可她知道哪句该压、哪句该放。合成声音的难点从来不在音色，在节奏。这跟唱歌有点像——跑不跑调是音准问题，好不好听是律动问题。
它其实早就住进你手机里了
短视频里那些解说，一半以上不是真人。有些你听出来了，有些你根本没察觉。这就是判断标准变了——以前合成声音一听就知道，现在得靠猜。
导航语音包算最日常的一种。同一句话，有人做成温柔女声，有人做成相声味，还有人做成自己家人的音色。跑长途的时候，这点陪伴感比想象中实在。
再就是读屏。
我给外婆装过一个。她眼睛不太行了，看新闻费劲，现在让手机念给她听。她跟我说，比收音机强，想听啥听啥。
她不知道什么叫声学模型，也不知道声码器是个什么东西。她只知道，这会儿有个声音在给她讲今天发生的事。
我挺喜欢技术这个样子。你用着它，但你不必知道它。
下次导航开口的时候，你可以留意一下它的停顿。
就那么半秒。
那半秒，是它自己猜出来的。