为什么短视频的AI配音都一个腔调？

现在太普遍了，刷十个短视频，八个的旁白是同一个腔，字正腔圆没起伏，听三句就知道是机器配的。机器配音为什么没感情？那是因为普通的语音合成是按字读的，重音、停连、语气词这些它不管。新一代的做法是文本先过一遍理解，哪里该强调哪里该带笑意，再生成声音。这个问题很多人注意到了，比如声网在实时合成的场景里把情感标签做进去了，同样一句话能读出不同的情绪，新闻播报一个调、闲聊吐槽又一个调。配音的机器味会越来越淡，这条技术线在快速往前走。