AI 朗讀為什麼終於像真人（又還會在哪露餡）

如果你對文字轉語音的印象，還停在那種平板、機械、常常唸錯字的聲音，那印象已經過時了。合成朗讀進步得很快，現在順耳到可以連聽好幾個小時。搞懂到底改了什麼滿有意思，也能幫你把一本書聽出最好的效果，並且知道哪些期待才實際。

舊做法，以及它為什麼像機器人

過去幾十年，文字轉語音大致有兩種機械做法。

比較舊的一種，是用規則描述母音和子音怎麼組合，再照規則把聲音拼出來。出來的就是那種一聽就知道是假的、嗡嗡作響的人工嗓音。後來出現的串接式合成，先請真人錄下成千上萬個很短的聲音片段，用的時候再即時拼接起來。單看一個詞，它確實比較像真人了，但接縫聽得出來，而且它不懂一整句話的意思。它會把字唸出來，卻抓不到字背後的語氣。

這兩種做法都缺一樣東西：語調，也就是說話的旋律。問句結尾的上揚、落在重點字上的重音、轉折前那個小停頓，一個聲音有沒有生命，多半就看語調，而規則加片段的系統幾乎做不出來。

改變的關鍵：模型學會了說話的節奏

現在的朗讀，是用大量真人語音訓練出來的神經網路生成的。模型不再拼接片段，而是學會人自然說話的樣子，一次生成一整段聲音。它的語調是從例子裡學來的，不是照規則來，所以問句該上揚、重點字該加重，它大多數時候都做得對。

還有兩件事把品質再往上推。第一，模型更大了，訓練用的語音也更多、更多樣，能學到更細膩的地方。第二，改成事先算繪、而不是即時生成，讓系統有餘裕先看過一整句、一整段，知道後面接什麼，再安排整段的節奏和輕重。正是這份事先安排，讓雲端音訊聽起來從容又流暢，而即時生成的小模型頂多就是把字唸對而已。

合成語音還會在哪露餡

這件事還沒完全解決，裝作解決了對誰都沒好處。有幾種狀況，連不錯的系統都還會出錯：

• 少見的名字和生造的詞。 奇幻小說裡的名字、罕見姓氏、外來借詞，模型都只能用猜的，有時候就猜錯。
• 同形異音詞。 同樣的拼法、不同的唸法。英文的「He will lead the way」對上「a lead pipe」，「a bass guitar」對上「a bass in the lake」，模型得讀懂上下文才選得對，偶爾會弄錯。
• 反諷和言外之意。 一句挖苦的話會被平平地唸過去，因為字面上不帶那個語氣。真人旁白讀懂了意思，自然會把語氣加進去。
• 跨越很遠的重點。 一個要到三段之後才收的伏筆，一個字的分量取決於很早以前說過的話，這些都很難唸得到位。

這些是現在的極限。範圍在縮小，但還真實存在，也正因如此，對一本靠詮釋撐起來的書，一位出色的真人旁白在演繹上還是更勝一籌。

怎麼聽出最自然的效果

知道上面這些之後，有幾件實際的事會有幫助：

• 重要的書，就選品質更好的聲音。 手機上，裝置內建的聲音免費又即時，只是稍嫌平板。雲端音訊用大得多的模型算繪，聽起來明顯更像真人。在 BookNPC 裡這就是錄音室選項，兩者怎麼取捨，裝置內建 vs 雲端朗讀裡談過了。
• iOS 上記得下載進階系統語音。 就算是免費的裝置內建朗讀，加上它們也會好很多。這裡有一份簡短的說明。
• 從乾淨的書檔開始。 合成朗讀唸得好不好，很看你給它的文字。一份排版完整、乾淨的 EPUB 唸起來很順；一份雜亂的匯出檔，什麼聲音來唸都會卡卡的。

老實話

AI 朗讀已經從「無障礙勉強能用」進步到「純粹為了享受也聽得下去」。多數書、多數時候，它現在聽起來都很自然。碰上那種靠演出撐場的書，它還比不上頂尖真人旁白的演繹，偶爾也還是會唸壞一個名字或一個雙關。這兩點都是實話。

真正要緊的是它帶來的改變：你手上任何一本書，都能有一份聽起來自然的朗讀，而不再只有那少數幾本商業錄過音的。BookNPC 的錄音室聲音用雲端算繪，免費版用你手機裡的聲音，你大可挑一本自己的書，親耳聽聽這項技術走到了哪一步。