过度自然会抬高对理解能力的预期
别名: 拟人语音的能力预期 · over-natural TTS · 听起来像人就会当人问
概念解释
合成语音太像人，听者会把理解能力也按人来预期。酒店大堂的带屏助手用高度自然的礼宾音色说「您好，我来帮您」，住客接着就问「哪间房有浴缸、还要安静、能不能提前入住」——这是在跟员工说话，不是在填三个槽。后端若只是有限意图，失败会被算成「都这么会说话了怎么还不懂」，比明显的机器音更伤信任。这里抬高的是对对话能力的预期，不是可懂度分数本身。
机制
听者拿嗓音质量当社会与认知能力的代理，这是把计算机当社会行动者的那条路。高自然度再加上「好的，我看看」这类填充，等于发了一张开放域执照：长问句、多约束、需要常识的追问都被许可。槽填充后端接不住时，错不在声学，而在预期通道——人觉得对面有一个能推理的主体。机器音色会把覆盖范围预期压低，用户更早收成短命令；过度自然把同一套后端衬得更笨。第一轮接触时这个膨胀最狠，因为还没有失败样本来校准。
怎么研究
同一套理解后端，两副嗓音：高 MOS 的神经音，对上明显合成音。自变量是自然度，不要顺手改措辞或能力说明。因变量是用户后续话轮的长度与开放度、超出覆盖的比例，以及失败后的归责（「它该听懂」对「是我会错了指令」）。听完第一句提示立刻探询「你觉得它能干什么」，看回答是目录里的技能还是前台员工的职责。
Wizard-of-Oz 也可以只换音色、不换向导能力，用来在 NLU 定稿前先看预期有没有被嗓音抬起来。实验室若先发一张「本机只会订房」的说明书，测到的就不是嗓音在抬预期。
边界
品牌指定名人音色是营销约束，要用第一句能力边界去管，而不是假装后端已经跟人一样。重复用户会自己校准，膨胀主要发生在首访。命令集本来就写在墙上、用户是来点名的，自然度不太会改预期。儿童是否用「像人」当能力线索，和成人不是同一套。把每句都收成冷冰冰的电报，会压预期，也会压人格——那是另一笔账。
怎么落地
- 让人格温度跟真实覆盖对齐。技能只有三个意图，就不要说「有任何需要尽管开口」。
- 高自然度嗓音的第一句提示要划域：「我可以查房型和办理入住」，不要先做全能礼宾。
- 失败回复避免「我没听懂您的意思」这种人本口吻，改成点名还能做什么。
- 验证：抽首访会话，数第一轮用户话里有多少需要真人礼宾才能接。这个比例高，就是嗓音在超卖。