AI短剧把"李白"念成"李bó",AI这么强大为什么还会读错
- 2026-11-19 10:36:59
AI短剧把"李白"念成"李bó",AI这么强大为什么还会读错
前几天刷一条 AI 短剧,主角正深情念白,旁白冷不丁来一句"李(bó)白"。我一口水差点喷屏幕上。
全国人民小学一年级就会的"李白",它给我念成"李伯"。
接着往下看更离谱:大军驻守"六(liù)安"——那是 Lù ān 啊兄弟;"单(dān)于夜遁逃";"龟(guī)兹美女"……有网友统计,七分钟里错十一处,平均三十八秒送你一个常识崩塌。
笑完之后我有点慌。不是替 AI 慌,是替我自己。
我天天跟语音 AI 打交道,外呼机器人用什么"嘴"说话,我心里有数。所以今天不骂制作方,也不吹技术,就掰开揉碎讲一件事:AI 短剧为什么总把字念错,而且常常前半段还对,后半段就崩了,连明明不是多音字的简单字也翻车?
答案可能跟你想的不一样。
先说大实话:AI 念字,不是"查字典",是"赌"
很多人以为语音合成(TTS)就是把每个汉字对应一个拼音,查表念出来。要是这样,就不会有"李bó"了——白字只有一个读音。
真实情况是:AI 念字靠的是概率。
一段台词进到 TTS 里,大概要走这么几步:
分词 → 给每个字"注音"(字音转换)→ 安排语气和停顿(韵律)→ 发声
📌 名词小卡片:G2P 上面"给每个字注音"这步,业内叫 G2P(Grapheme-to-Phoneme,字素到音素转换)——就是把"看到的字"变成"该发的音"。老一代 TTS 是真查字典,稳但不灵;现在主流神经 TTS 把这一步换成了神经网络去"猜",灵是灵,但会翻车。本文所有"读错字",根子都在这一个模块。
卡住在第二步。
人类听"银行行长行走在街头",靠语义和语感瞬间切出三个音(háng / zhǎng / xíng)。AI 靠什么?统计概率。它把全网语料喂进去,发现"行"字读 xíng 的出现次数最多,于是默认全读 xíng,遇到"行长"也 xíng,遇到"银行"也 xíng。
更阴的是训练数据本身被污染。网上多少短视频把"处(chǔ)罚"读 chù、"勉强(qiǎng)"读 qiáng,AI 分不清这是民间错读还是权威读音,照单全收。你越刷错视频,它越错;它越错,看你视频的人跟着念——闭环了。
所以"李白→李bó",大概率是"白"在文言、姓氏里偶尔碰到的异读样本极少,加上上下文没锚定,向量一滑,就溜到"伯""帛"那边去了。它念错,不是因为它笨,是因为它"赌"——赌一把概率最高的读音,赌输了。
最反直觉的:明明不是多音字,它也读错
你观察到的那个现象最扎心:连简单字、非多音字都错,而且前半段对、后半段错。
这得分两层说。
第一层,为什么"简单字"也会错。
老式 TTS 真有字典,查不到才猜。但现在主流的神经网络 TTS,注音这一步本身也是"猜"出来的——它没在查《新华字典》,是在用模型预测"这个字在这个位置最可能发什么音"。
这带来一个副作用:低频字、罕见字,会被高频的"形似字"顶替。 有网友举过"小兕(sì)子"的例子,AI 大概率读成"小兜子"——因为"兕"字极少用,而"兜"常见,图效率的模型调不到低频字的语音单元,就直接拿高频字的声音元素糊上了。
放到你看到的"简单字翻车"上,机制类似:那个字本身不复杂,但它所在的词组、语境在训练里不常见,模型一犹豫,就把音发飘了。简单,不等于模型"有把握"。
第二层,为什么"前半对、后半错"。
这才是 AI 短剧最典型的翻车形状,根子在长文本切分。
你以为 AI 是捧着整本剧本一口气念完的。实际上,为了控显存、降延迟,长台词会被撕成一段一段,逐段分别合成。每一段都是独立"注音 + 发声"的。
问题来了:
所以"前半对后半错",不是 AI 学到后面累了,是它压根没把整段当一回事在念,而是一页一页分别念,后几页还可能是不同批次印的。
顺带厘清:读错音,算"大模型幻觉"吗?
不算严格意义上的那种,但机制同源。
大模型幻觉,指它一本正经编假事实——你说"李白是唐朝人",它接"对,他还当过宋朝宰相"。它错在语义、在事实。TTS 读错音,错在"音",属于音素层面的错误映射。业内一般不把单纯读错字叫幻觉。
但底层的毛病是一个模子:都是神经网络在做"概率预测"而不是"查表",所以都会自信地输出错的答案,而且错得理直气壮。你问它为什么错,它没有"真值"可以锚定,只能说"训练分布里概率最高的就是这么念、这么写"。
更值得你警惕的是另一头:现在端到端语音大模型(就是你做 AI 外呼用的一类)在"直接生成整段对话"时,确实会出现真正的语音幻觉——突然重复上一句、跑题胡说、卡住不动。那个才是语音圈正儿八经说的 hallucination,也是 AI 外呼翻车的高频场景。读错字是"嘴瓢",幻觉是"脑子断片",不是一个量级,但都来自同一句老话:模型在猜,不是在查。
运营角度:为什么制作方不修?
讲完技术,得说人话了——为什么明知道会翻车,还一堆剧上线?
因为 AI 短剧爆火,本质是流量逻辑,不是质量逻辑。
而且有个更扎心的现实:绝大多数短剧制作公司,根本没有训练大模型的能力。
他们不是 OpenAI、不是字节、不是讯飞。他们是买 token 用的——语音合成是调别人家的 API,按字数或时长付费。模型长什么样、G2P 为什么把"白"读成"伯",那是墙另一头模型厂商的事,他们动不了一个参数。
所以"修读音"这件事,对这些公司来说,手里的工具箱其实很浅:
一句话:根子上的 G2P 错音,短剧公司修不了——那是模型厂商的训练语料问题;他们手里只有"标注、重生成、换厂商"这几张浅牌,而这几张牌在量产抢热点面前,都太贵了。
还有个更阴的角度:对短剧号自己,翻车恰恰是流量。 平台推不推一条内容,互动率是硬指标。而"这字念错了"这种评论,是成本最低的互动——观众一边骂一边转发。所以有些号不是不在乎质量,是算明白了:宁可在评论区挨挑,也不愿花成本修读音。这也是为什么你常看到"翻着车还涨粉"。
这事真不光是"出戏"
我以前也觉得,AI 念错字当个乐子看呗,又没人逼我跟着读。
直到我想起一个老实验:1974 年,研究者让被试看车祸录像,然后分组提问。措辞微妙不同,被试对车速、对"有没有看到碎玻璃"的记忆就被改写了——哪怕录像里根本没有碎玻璃。
人看剧,会不自觉地记东西。比起"记不住",更怕的是不知不觉记住了错的。
成年人好歹能怀疑。儿童是最会从剧里学读音的,他们还没判断力。所以给娃看的东西,经过正规审核、读音准确,这件事比"画面炫不炫"重要得多。
结尾:不是反对 AI,是得会提要求
我做的是语音 AI,天天盼它好。AI 短剧是新东西,翻车难免。
但作为观众,你可以做两件事:
你还知道哪些会容易被念错的字或词?李白那种级别的,评论区报上来。凑够了,我出一期"AI 短剧读音翻车大赏",把你们的挑错整理成干货。