什么是流式合成？语音边生成边播放

AI 语音助手能做到边算边说、回答几乎不等，背后用的就是流式合成：语音不必等整句算完，算出一段就播一段。与之相对的是整句合成，先算完整段再出音频。两种模式的差别，用户能直接感知为「反应快不快」，创作者选配音方案时也需要分清场景，该流则流，该整则整。

先出先播：流水线不必等终点

整句合成的流程是排队等结果：文字全部送进声学模型，特征算完，再交给声码器出波形，最后才播放。流式合成把这条流水线切成小段：文本进来一小句，前端立即处理，声学模型算出这一小段的特征，声码器马上还原成音频开始播放；播第一段的同时，后面的段落并行在算。用户听到第一个字的时间，从「整句算完之后」提前到「第一段算完之时」。

这个「从发起请求到听到第一个音」的等待时长，业内叫首包延迟。它是流式合成最核心的指标，直接决定语音对话像不像真人应答：首包拖过一两秒，对话的节奏感就断了。

语音侧的流式和文本侧的流式

两个「流式」经常被混为一谈，其实一个在文本侧、一个在语音侧。聊天界面里回答逐字蹦出来，DeepSeek、Kimi 这类助手都是如此，那是文本侧的流式输出，本质是模型每生成一段文字就推送一次；语音侧的流式合成，是把「生成文字」之后的「变成声音」这条链路也切成了流水段。语音助手要把两段流水线接起来：文字生成一段，语音合成一段，任何一段卡住，听感上都会断流。

接流水线有个容易被忽略的坑：文本没断句好，语音切分就乱。标点决定停顿，也决定切段的天然边界，标点影响语音合成一篇讲的机制，在流式场景里影响更大——标点错位，切出来的段落就参差不齐。

什么时候该用流式，什么时候该整句

判断标准只有一条：用户在不在等。语音对话、直播互动、导航播报这类实时场景，首包延迟压倒一切，流式是刚需；代价是单段合成的韵律连贯性略有折让，长句不如整句算得从容。反过来，视频配音、有声书、课程旁白这类离线场景，用户不在乎多等几秒，整段合成反而占优——韵律更稳、音质更好，还能全篇统一调整。

创作场景的对应关系很直接：剪映里给视频配一段旁白，走的是整段合成的路子，求稳；豆包这类语音助手的对话应答，走流式，求快。在线配音和批量配音一篇从产品形态上分过这两类，选型时可以对照。

流式合成对创作者意味着什么

做实时交互内容的创作者——数字人直播、语音客服演示、互动叙事——首包延迟是体验生死线，选型时别只听音色样例，拿真实对话链路测首包。做内容产出的创作者则相反：除非做实时类产品，否则不必为流式付溢价，整段合成的质量优势对成片更有价值。两种需求别混着选，为用不到的快付钱，和为用不上的稳牺牲响应，都是错配。

镜像的道理在转写侧同样成立：识别也有实时和离线两条路，取舍逻辑一致，可参考实时转写和离线转写。选型前想清楚自己的任务形态，再对工具的能力侧重，基准分和实际任务的距离在语音产品上照样存在——演示视频里的秒回，未必等于你的链路也能秒回。

流式与整句选型对照

• 实时对话、直播互动：流式，先看首包延迟
• 视频配音、有声书：整句，先听韵律与音质
• 混合场景：对话走流式，成片走整句，分链路选

关于流式合成的三问三答

• 流式合成的音质会更差吗？：单段处理少了一口气算全句的上下文，长句韵律略平，日常对话感知不明显，讲究的旁白建议整句合成。
• 首包延迟多少算合格？：以对话节奏为准，一般压到一秒以内接近真人应答，具体表现以产品当前公开表现为准。
• 写作助手的逐字输出算流式合成吗？：不算，那是文本侧的流式输出，只推送文字；合成这一步是不是流式，要看音频能不能边算边播。