什么是韵律？AI 念诗为什么平的原因

让讯飞星火朗读一首《静夜思》，字都念对了，却像小和尚念经，平平的没有起伏。人朗读时轻重缓急的变化，术语叫韵律——语音合成里最见功力、也最难的部分。

韵律具体指什么

拆开看是三样东西：重音（哪个字咬得重）、停顿（哪里换气、停多久）、语调（音高怎么起落）。同一句「我没说他偷了钱」，重音落在「我」「他」「偷」上，含义各不相同。人说话时这些变化是本能，机器则要把它们一一算出来：在哪个字上抬音高、哪个词后插停顿、整句的语速怎么铺，全是可计算的参数，算准了才有「人味」。

三样东西各管一段，摊开对照更清楚。

类比：乐谱上的表情记号，以及它失灵的地方

把文字想成乐谱，韵律就是谱子上的表情记号：哪里渐强、哪里延音、哪里休止。音符都一样，记号不同，曲子情绪全变。类比失灵之处：乐谱的表情记号是作曲家写死的，语音的韵律却要看上下文现场决定——同是「好」，答应、敷衍、反问三种情境读法完全不同。所以韵律模型不能查表，得真的「读懂」句子，这也是它和普通配音软件拉开差距的地方。

AI 念诗为什么平

诗歌的韵律最难：平仄、对仗、意境都要求朗读者有理解再表达。合成系统若只在字面上做统计，「床前明月光」和一句普通说明书在它眼里差别不大，自然念得平。改善路径有两条：训练数据里多收朗诵级语料，让模型见过好的示范；文本分析环节做得更细，能识别出这是诗、该慢、该在某处停。你试听配音时觉得「平」，多半是模型没认出文本的体裁，换成口语化的句子常立刻改善。

韵律在整条语音链路上的位置

一段 AI 配音的流程大致是：文本分析算出韵律参数，声学部分据此生成声音特征，最后由声学模型和声码器变成可播放的波形；想让情绪更浓，专门有一路做法叫情感语音。识别方向也有对应物：机器听人说话时，字和音怎么对上，见语音识别里的对齐；而「人什么时候说完了」这类节奏判断，则与端点检测相关；视频配音还要顾画面节奏，牵涉帧率约束与时序一致性。韵律是把文字变活的那一层，参数定了，后面的机器才有的放矢。

补充一个练习听力的办法：对比听。把同一段文字分别用不同模型朗读，专门听三处——重音落点、停顿位置、句尾走向，差异处就是各家韵律功力的差距。日常用配音工具时，标点是顺手的韵律开关：逗号给短停，句号给长停，破折号给拖音，省略号给气口，写稿时把标点当乐谱记号用，成稿自然有起伏。另外，数字和英文缩写是最常见的翻车点，「3D」念成「三迪」还是「三维」，全看文本归一化做得细不细，遇到读错的写法，换成汉字写法是最快的解法，改一个词只要几秒。多试几版再定稿，是配音省时间的土办法，也最有效。

试听自查

• 全文一个速度：停顿模型没起作用
• 重点词没强调：重音预测失灵
• 疑问句读成陈述：语调建模偏弱
• 诗歌散文一个腔：体裁识别缺位

一句话带走：字音对了只是及格，韵律对了，机器说话才算开了口。

关于韵律再多问三句

• 韵律是靠规则还是靠学习？：早年靠人工规则，现在主流靠数据学习，从大量真人朗读里统计出轻重快慢的模式，语料越丰富，模式越细腻。
• 为什么同一句词，配音情绪忽浓忽淡？：上下文改变了韵律预测，标点、句长、关键词都会让模型重新分配重音和停顿。
• 方言口音算韵律问题吗？：算相邻问题。口音体现在声母韵母和调值上，韵律负责节奏语调，两者共同构成「口音味」。