AI语音再逼真，也只有10%的人会当真

你有没有过这种经历——听导航播报时，突然觉得这个声音比以前自然多了，甚至差点以为是真人在说话？

过去几年，文本转语音（TTS，就是把文字读出来的AI技术）的进步确实肉眼可见。神经网络TTS通过深度神经网络捕捉音高、节奏和情感，已经能实现接近人类的发声效果。大语言模型的加入，更是显著提升了TTS系统对语音风格、自然度和情感表达的控制能力。

但行业里一直有个问题：我们到底在衡量什么？

@shobhitbanga 抛出了这个疑问：「我们真的在衡量那些我们最终希望语音AI模型达成的目标吗？」他和团队推出了Turing TTS——一个专门测量人类听众会在多大程度上把AI生成的语音误认为真人语音的评测。

结果有点扎心：他们测试了当前领先的TTS模型，包括ElevenLabs、Cartesia、Rime Labs等厂商的产品，即使是表现最好的模型，也只能在约10%的情况下骗过听众。

@BrianRoemmele 一针见血地指出：「最好的AI声音现在听起来都像彼此，而不是像我们。」

@ai_for_success 补充了一个视角：「大多数AI基准测试都在回答『谁赢了？』，而Voice Arena在问一个更根本的问题——『我们一开始衡量的东西对不对？』」

@omarsar0 则认为：「语音AI的下一个突破，可能不是又一个拿下第一名的模型，而是对『我们该衡量什么』有了更好的理解。」

这个评测的意义，不在于给现有模型排座次，而在于把行业的注意力从「谁的分数更高」拉回到「我们到底要什么」。

自然度对用户参与度和满意度有可衡量的影响，但单一指标评估无法全面覆盖现代TTS的能力。人类欺骗率——也就是有多少人真的把AI声音当成了真人——被认为是衡量TTS类人程度的核心指标之一。

这个市场有多大？GMI Insights数据显示，2025年全球TTS市场规模约为48亿美元，预计2035年将达到353亿美元。在这个量级的赛道上，评测标准的细微变化，可能会引导整个行业的研发方向。

下次你听到一个AI语音助手，不妨多留个心眼——它到底是在模仿人类说话，还是在模仿其他AI说话？