对 Siri 来说，要听懂你说的是什么并不难，但真的要和它进行一场对话的话，你一定会感到怪怪的。抛开它是否能正确的回答你的问题不说，它回复你的声音就会让你明显感觉到自己并不是在和一个人聊天。

　　的确，在语音识别这件事上，国内外顶尖的公司都已经能做到95%左右的准确识别率。但在语音生成上，几乎没有公司能让机器人说的话跟人说出来的话一样，即便是一些简单的词组，你也一耳就能听出是机器合成的还是真人播报。

　　但随着人们越来越多的使用语音交互，如何让电脑的声音听起来更具人性化，已经成为了摆在很多软件公司和程序员面前的大挑战。

　　据《纽约时报》报道，IBM 曾在世纪之交花了18个月的时间让机器人沃森(Watson)可以说话，但尽管沃森已经非常聪明，它说话的本领仍然很差。因为听起来根本不像人声。

 

Michael Picheny，IBM 实验室资深经理。图片来自《纽约时报》

 

　　现在电脑语音都是用机器合成的(除了部分天气预报和导航提示是完全人工录制)，合成最终语音的真人语音数据库通常非常庞大，数据库里有某个单词的真人发音，以及这个单词不同语调的发音，甚至这个单词的部分发音。一位配音者通常需要花至少10个小时才能完成一个语音数据库的录入。

　　尽管语音数据库已经非常庞大，但是在合成语音的时候，仍然无法做到接近真人发声。其中最大的难点是让合成音带有人类的感情。卡内基梅隆大学语言技术研究院的计算机科学家 Alan Black 告诉《纽约时报》，他们并没有办法告诉语音合成器说，这段话要带有感情的去朗除了部分天气预报和导航提示是完全人工录制)，合成最终语音的真人语音数据库通常非常庞大，数据库里有某个单词的真人发音，以及这个单词不同语读。

　　当然，设计者也经常强调他们并不希望用合成语音来骗人说这是真人语音。但他们仍然希望机器和人的语音交互能更加自然，更像人和人之间的交流。

　　事实上，如果机器发音和真人发音过于接近，会让人感到很不舒服。日本机器人科学家森政弘曾在1970年发表了一篇题为《恐怖谷》的文章，核心就是说，当机器人和人的相似程度过于接近的时候，机器人身上的一点点小瑕疵，都会让人感到不安。

 

 

　　根据森政弘的假设，随着人类物体的拟人程度增加，人类对它的情感反应呈现增-减-增的曲线。恐怖谷就是随着械器人到达“接近人类”的相似度时，人类好感度突然下降至反感的范围。“活动的类人体”比“静止的类人体”变动的幅度更大。图片来 src="http://www.51callcenter.com//yc_uploadfile/201617549719.png" data-link="" width="500" height="392" />