“Hey Siri ，明早 7 点叫我起床。”

“小度小度，帮我查一下原子弹该怎么造。” 当代生活，你跟机器说的话可能比跟你爸妈说的话都要多。这些触手可及的语音助手、智能音箱不仅能听懂你的意思，做出回答，还能变换各种音色，乃至模仿你的声音。 这在今天已经不算稀奇，但实际上，想让机器说人话，可比你爸妈当年教你说话难得多，而要想让机器模仿不同人的声音说话更是难上加难。 世界上第一台能合成人声的电子设备，是这款首秀于 1939 年纽约世界博览会的 Voder 。 它采用的是参数合成法，准确的说是共振峰合成。什么是共振峰？ 人说话产生的声音包含很多不同的频率，其中频率最低的称为基音，决定了音高，此外就是泛音，决定了音色。而共振峰就是频谱上能量相对集中的这些泛音。 比如当发音人为男性时，汉语里 i 这个元音的基频，即基音的频率约为 210Hz，而在泛音中，频率最低的共振峰 F1 约为 290Hz，第二低的共振峰 F2 约为 2360Hz，第三低的共振峰 F3 约为 3570Hz 。 通常来说，只要反过来让机器发出这四个频率的声音，就能简单地还原出带有男性音色的 i 这个元音。 Voder 就是基于这个原理，下面是它的工作流程图。 首先，利用脉冲发生器可以模拟出声带振动产生的浊音，用噪声发生器可以模拟出声带中由气息形成的清音，两者将与手腕处开关生成的基音叠加，进入一个声道滤波器。 这个滤波器由两组按键控制，每个按键对应着不同频率的声音，当操作员同时按下不同的按键，就会加入不同频率的泛音，最终组合成语音。 在此后的半个世纪里，这一直是让机器说话的主流方法，并且通过升级电路和引入更复杂的参数摆脱了人工操作，但合成出来的声音仍然带有非常强的“电音”。