刷短剧总觉得配音别扭,完美AI语音到底缺了什么

最近，刷到了微信公众号“科普中国”上的一篇文章，讲的是一个大家天天遇到、但很少仔细琢磨的事：为什么刷微短剧的时候，总觉得里头那些AI生成的脸看起来怪怪的 ？

按理说，这些角色的脸蛋个个都是算法精心雕琢出来的，冷白皮、高鼻梁，精致得挑不出半点毛病 。可是，只要盯着看上一会儿，心里就会莫名地直发毛 。

文章解释得很扎实，说这其实就是视觉上的“恐怖谷理论”（Uncanny Valley） 。简单来讲，当一张人脸画得极度逼真，但在眼神微颤、肌肉配合等细节上露出一丝丝破绽时，我们的大脑就会觉得不对劲，本能地产生一种排斥和别扭的感觉 。而且，AI生成的脸往往是根据海量数据算出来的“审美均值” 。这种没有特色、完美到失真的脸，反而剥夺了活人该有的那种真实和温热 。

其实何止是AI脸啊！天天在短视频里折磨我们耳朵的“AI配音”，也存在一模一样的问题。如下：

里面的角色说话是不是怪里怪气的？明明配音的音色很甜美，普通话标准得像播音员，吐字也贼清晰，标准到了无可挑剔的地步。可我们听着听着，还是会觉得别扭、虚假，甚至听久了脑壳疼，只想赶紧把手机给静音了。

这到底是咋回事？为什么完美的声音，反而会让我们感到别扭？

人类说话这门技术，可真没你想得那么简单，绝对不只是把字念出来就完事了。写在纸上的字是死的，可一旦用嘴说出来，它就“活”了，成了一种带有人情味的社交行为。

在这中间，有一个非常关键的门道，语言学管它叫“韵律学”（Prosody）。说白了，这就是我们说话时的抑扬顿挫、节奏快慢、停顿（Pausing）和重音。

现在微短剧里满大街都是的AI配音，用的是文本转语音（Text-to-Speech，简称TTS）技术。这玩意儿说到底就是靠大数据去算概率。它能完美识别字典里每个字该怎么读，但它根本不懂这句话在当时的场景下到底是什么意思。

这在语言学里，是个挺让人头疼的“一对多”难题。同一句话，因为语境不同，念法能变出成百上千种。

就拿“我没拿那笔钱”这六个字来说。如果把重音放在“我”字上，意思就是“别人拿了，反正不是我”。如果把重音放在“那笔钱”上，潜台词就成了“我是拿了别的东西，但绝对没拿那笔钱”。现实中大活人说话，脑子里是有具体想法的，所以我们会很自然地把重音落在想强调的地方。

可AI算法哪里懂得这些？它根本不知道屏幕上的角色现在是被人冤枉了觉得委屈，还是偷了东西在做贼心虚。它只能按照大数据的平均值，给你来一段毫无波澜、四平八稳的朗读。

聊到这里，咱们来插播一个游戏圈的八卦。前阵子射击游戏《弧线突袭者》（ARC Raiders）的开发商为了省钱，想用AI配音替换掉游戏里原先的真人配音，结果在玩家群里引发了巨大的抗议。

在国外的Reddit论坛上，玩家们把开发商喷得体无完肤。其中有一位叫 Theobald_4 的网友留下了这么一段吐槽：“AI语音总有一种恐怖谷的特质。它们把每个字都说得太完美，毫无语气变化。对人类来说，怎么说和说什么一样重要。但在我听来，AI配音无论在表达什么内容，似乎都只有一种死板的语调。”

这位网友的直觉太准了。他提到的就是学术界最近在研究的“听觉恐怖谷”（Auditory Uncanny Valley）现象。当声音听起来极度清晰，但说话的语调和现场的情绪、意思完全对不上时，我们的大脑就会立刻拉响警报。

如果一个完美的声音背后没有沟通的意图，那它听起来就跟一台无情的复读机没什么两样。这种“配音极度好听，但完全没有灵魂”的错位感，就是我们觉得别扭的头号原因。

除了没有灵魂、缺乏语境外，AI语音让人觉得怪异的另一个重要原因，在于它太干净了，干净得不像是个大活人发出来的。

人发声是一个伴随肉体的物理过程。你的肺活量有多大、声带抖得厉不厉害、嗓子干不干，都会影响说话的效果。

正因为有了肉体凡胎的限制，大活人说话难免会有各种“小瑕疵”。比如情绪激动时大口喘气的声音、嗓子疲劳时冒出来的沙哑感，或者说话时嘴里带出的口水音。

还有，为了省力气，我们连着说话时，前一个字的尾音和后一个字的开头常常会黏在一起，这在语音学里叫协同发音（Co-articulation）。更重要的一点是，大活人的脑子在思考、想词儿的时候需要时间。所以我们说话时必然会卡壳、会停下来，本能地冒出一些“呃”、“啊”、“那个”、“就是”之类的填充词（Fillers）。

有人觉得，既然AI配音太干净了，那我们用代码在里面随机塞点“呼吸声”或者故意弄点口吃，是不是就显得真实了？

这属于典型的一厢情愿了，完完全全是倒果为因。大活人说话的停顿和换气，绝对不是在时间轴上抓瞎随机乱放的。我们是在一句话的语法边界处才换气，是在一段话讲完了、情绪宣泄够了才大喘气。

这些停顿和呼吸，实际上是人类思维和生理消耗的自然流露。要是AI只是随便用随机数生成器在没感情的语调里硬插一声叹气，或者生硬地加个“嗯”，那效果只能用“诡异”来形容。听着更让人毛骨悚然，就像是一个没有呼吸系统的硅胶假人在模拟活人喘粗气，违和感直接拉满。

科学研究也证实了这种本能。英国爱丁堡大学的爱丽丝·罗斯（Alice Ross）等人在研究中发现，当合成语音在音色上极度逼近真人，但在细微的自然度指标上偏离真实人类的发声规律时，听众的评价会急剧下降，产生强烈的诡异与排斥感。

这说明了，我们人类的耳朵，其实比想象中要挑剔得多。我们不仅是在听那些字正腔圆的音节，更是在听气流跟嗓子肉体摩擦碰撞出来的“生命噪音”。一旦这些充满烟火气的噪音被算法强行“杀菌”和抹平，留下的声音哪怕再好听，也只是一具冷冰冰的数字标本。

整明白了这些发声和语言上的小细节，我们再回头看刷短剧时的别扭感，就会发现自己的这种嫌弃和排斥完全是有道理的，并不是我们太挑剔。

语言，从来都不是冷冰冰的信息交换，而是我们寻找同类、感受彼此态度的雷达。听一个人说话，我们的大脑潜意识里就在自动画自画像：这人今天高不高兴？是不是在忽悠我？有没有说瞎话？这种本能地去琢磨对方心思的行为，在学术上叫作心理感知（Mind Perception）。

可当我们在微短剧里听到那些AI配音时，这套雷达就彻底抓瞎了。耳朵听到的是完美无瑕、温润如玉的声音，可脑子里的雷达却扫不出一丁点活人的温度和心跳。这种“一直在找，却一直找不到”的认知错乱和负荷，让我们在连着刷上几部短剧之后，无可避免地感到头大和疲惫。

现在是一个什么都讲究效率、追求低成本和高度标准化的时代。AI配音在短剧里泛滥，无非就是因为省钱、效率高。但是，当我们的日常网络空间被这种廉价而完美的假声音塞满时，更深层的文化焦虑也就来了。

如果大家天天习惯了听这些不卡壳、不破音、情绪永远在规定轨道上的AI完美发音。长此以往，我们对身边那些说话带家乡口音、结结巴巴、半天憋不出一句整话的真人，会不会渐渐失去耐心？

这真不是咸吃萝卜淡操心。当声音的审美变得整齐划一，我们很可能也会渐渐失去对真实世界复杂性和多样性的包容。

好在，大可不必对此感到绝望，因为决定权依然在我们自己手里，我们完全可以通过行动来拒绝被算法规训。

如果再刷到那种声音完美得像流水线机器、却让你浑身不舒服的短剧时，别怀疑自己，直接划走，或者果断关掉屏幕。

出去跟朋友见个面唠唠嗑，或者听一档主播偶尔会说错话、会卡壳、会大笑的真实播客，甚至给好久不联系的爸妈打个电话。多去听听那些会大舌头、会突然卡词、因为激动而语无伦次、因为感冒而声音沙哑的真实嗓音吧。

因为恰恰是这些不完美的言语瑕疵，才证明了对方是个活生生的人，才是我们人类彼此连接的最坚实的纽带。在这片算法精心打造的完美假象面前，有瑕疵、带温度的真实，才是最无可替代的宝贝。

参考丨

Ross, A., Lai, C., & Corley, M. (2022). Is there an auditory uncanny valley for synthesised speech?. UK Speech Conference.

数字北京科学中心. (2024). 刷短剧总觉得 AI 脸怪怪的？明明脸很精致，为什么我们会觉得别扭？. 科普中国.

编辑丨扬薇儿