这几天我不是在研究AI语音嘛，但是我发现了一个细思极恐的事情。

其实聊天AI已经内置了世界上最牛逼的语音能力，无论是豆包，还是chatgpt，他们的语音表达的流畅度，甩任何TTS引擎100条街，别说逼近人类语音，甚至已经超越大多数人的表达水平，只有经过专业演播训练的人类才能媲美。

为什么？背后的技术原理和传统的TTS完全不同。这么说吧，首先，chatgpt的语音回答，它不是TTS那种是基于“字”的理解，而是基于“整段文本”的理解，所以它自己就知道哪里该读重音，哪里还用反问，哪里可以加一个衔接词，哪里可以加上语气....

第二，它也并不是TTS的【先有文字，然后读一遍】，chatgpt的语音和文字，实际上是两个不同的模型。chatgpt用语音和你交流时，根本不走文字模型，它的大脑就是语音的。换言之，AI已经有左右大脑了。