知乎今天有个问题冒上热榜："说话也有恐怖谷效应吗？"
问得正是时候。就在上周，#AI面试恐怖谷#话题冲上微博热搜，最高排到第25位，热度值超过18万。起因是秋招里大量企业启用了AI数字人面试官：求职者点开链接，对面坐着一个会眨眼、说话带气口的"人"，但眼神空洞、微表情僵硬，一副"似人非人"的塑料感。有求职者形容，系统全程用摄像头追踪瞳孔动态和面部肌肉紧张度，把你的回答延迟、语速颤抖统统换算成分数，真人HR从头到尾不露面。
脸有恐怖谷，这大家都知道。但"说话"也有吗？我把近一个月关于AI声音的报道和判决翻了一遍，结论是：不但有，而且声音的恐怖谷比脸更隐蔽，也更值得每个用AI做内容的人警惕。
声音的恐怖谷藏在哪里
恐怖谷的经典解释是：一个非人实体在外貌、声音或行为上非常接近人类、但存在细微不自然时，人的好感度会从"喜欢"骤然跌入"强烈不适"。注意，这个定义里本来就写着"声音"——它不是脸的专利。
为什么耳朵也会触发警报？因为人类对语音的挑剔程度远超想象。我们判断电话对面是不是熟人，靠的不只是音色，还有换气的节奏、停顿的位置、情绪在句尾的那一点衰减。AI语音合成这几年进步飞快，音色早就以假乱真，但"呼吸感"和"节奏感"是最难仿的部分。做得不到位，就会出现那种微妙的感觉：每个字都对，连起来就是不像活人在说话。
更麻烦的是，声音的恐怖谷没有脸那么直观。看到一张僵硬的数字人脸，你立刻知道"这是假的"；但听到一段略微不自然的语音，你的第一反应往往是烦躁、走神、不信任，却说不清为什么。这种"说不出哪不对但就是不对劲"，恰恰是恐怖谷最典型的体验。
已经有人为AI声音付出了代价
声音以假乱真带来的不只是不适感，还有实打实的法律后果。
9月29日，上海市第一中级人民法院终审宣判了上海首例AI合成声音侵权案。一位配音演员发现某公司的推广活动里出现了疑似自己的声音，公证取证后起诉。司法鉴定显示：案涉AI音频与她本人的声音在28个共振峰声学指标中，有24个偏离度小于10%，相似部分达到90%。法院最终判决平台运营方构成声音侵权，赔偿5万元。这个案子呼应了最高人民法院9月7日刚出台的涉人工智能纠纷案件审理意见——未经同意拿别人的声音训练AI、模仿音色牟利，法律已经明确说不行。
同一项"以假乱真"的能力，用在配音演员身上是侵权，用在骗子手里就是诈骗。近期媒体报道的AI深度伪造诈骗里，不法分子用几秒公开语音素材就能克隆音色，实时合成"家人来电求救"。技术本身没有立场，但正因为它太像真的，普通人的信任体系才开始挨打。
做AI语音内容的人，怎么避开这道谷
如果你也在用TTS给自己的视频、播客、公众号配音，这三条是我从报道和产品实践里总结的避谷思路。
第一，别追求"假装是真人"，追求"好听的机器声"。恐怖谷的本质是承诺与体验的落差：你越暗示"我是真人"，听众的检验就越苛刻。反过来，坦然做出一个干净、稳定、有辨识度的AI声线，听众的接受度反而高——就像导航语音，没人觉得它瘆人，因为它从不假装是坐在副驾的人。
第二，把功夫下在节奏上，而不是音色上。音色克隆已经白菜价，真正拉开差距的是停顿和语速。我们自己每天用TTS生成选题报告的语音时就发现：适当放慢语速、在段落之间手动留出呼吸感的停顿，成品自然度立刻上一个台阶；语速拉太快，再像真人的音色也会露出机械感。
第三，别碰别人的声音。想用自己音色做数字分身没问题，录一段几分钟的干净素材就能建模；但拿任何未经授权的真人声音去训练、去商用，上海那纸5万元判决已经把红线画得很清楚了。
技术的进步不会停下，AI声音迟早会平滑地越过这道谷。但在那之前，聪明的做法不是把"像人"卷到极致，而是把"舒服"和"诚实"放在前面——这恰好也是AI该有的样子：帮你从容地表达，而不是替你伪装成别人。
💬 评论