第二十九章 学说话
决定留下后的日子，仿佛被调慢了流速。
我获得了有限的、略微扩大的活动权限——主要是居住区所在的B-3环形走廊，以及连接的一个小型物资中转站和观景休息厅。每天下午两点到四点半，我可以离开房间，在这个范围内活动。周维通常会在这段时间的前后出现，有时陪同，有时只是打个照面，确认我“没有在不该在的地方”。
起初，这种自由带来的最直接冲击，并非视觉上的新奇，而是听觉上的持续轰炸。
在房间里，环境是可控的安静。但一走入环形走廊，声音便从四面八方包裹而来。那不是机器的轰鸣（那些被隔绝在深处），而是活的、流动的、充满复杂变化的声音之流。
走廊里相遇的守望者彼此点头，嘴唇开合，吐出一串短促或绵长的音节，伴随着轻微的笑声或语调的起伏。休息厅里，三两人坐在一处，交谈声像溪水般潺潺不断，间或有某个稍高的音调跃起，引来一阵更密集的声浪。远处敞开的门内，隐约传来简短的指令或回应，清晰干脆。甚至独自一人时，我也能听到他们轻声哼着什么调子，或者对着手中的记录设备低声自语。
不止一次，迎面走来或擦肩而过的陌生面孔，会对我露出微笑，嘴唇开合，显然是在说着什么——打招呼，或是简单的好奇询问。我只能捕捉到那些友好的音调轮廓，却完全无法理解其中的含义，起初，我会因为这种“无效”的接触而动作微微僵硬，只能生硬地点头或摇头。后来，我学会了更主动的应对：在周维发给我的写字板上快速写下“你好，我听不懂语音。我是K-117，临时访客”，然后递过去。
他们看到字迹，往往也会会露出恍然或歉然的表情，有时甚至会拿出自己的记录设备快速写下一两个词展示给我看，然后再微笑着走开，但那短短几秒的、意图明确却彻底失败的交流，总让我感到一种清晰的隔阂。
这些声音对我而言，曾经只是“存在”的背景噪音，是判断环境活跃度的参数。但现在，当我有了“理解他们”的明确意图后，它们变成了无处不在的、加密的谜题。每一个抑扬顿挫，每一次停顿转折，都指向着某种我无法触及的意义。我能看见他们交谈时脸上的表情变化——愉悦、认真、疑惑、了然——我能猜出大概的情绪基调，但具体在说什么？为什么笑？在讨论什么工作？我一无所知。
这种隔着一层毛玻璃观察世界的感觉，比单纯的视觉隔离更让人焦躁。视觉上，我能分析结构、材质、运动轨迹。但声音，这种转瞬即逝的、承载着即时互动和复杂信息的媒介，对我紧紧关闭着。
它也在提醒我，尽管我被允许留下，被给予了一个新身份，但我与这个精致社会的核心交流方式之间，依然横亘着天堑。文字是我们的桥梁，但那是静默的、滞后的。而他们鲜活的存在，大半流淌在这我听不懂的声波里。
这种焦躁积累了好几天。在一次周维陪同我去中转站，确认下一批允许我协助清点的非敏感耗材目录时，我们路过休息厅。里面有四五个人，似乎正在争论什么，语速很快，手势丰富。我忍不住停下脚步，光学镜头聚焦在那几张快速开合的嘴唇上，音频接收器调到最敏感模式，试图抓住哪怕一丝规律。
周维跟着停下，看看我，又看看休息厅里的人群，露出了然的神情。他碰了碰我的手臂，示意我继续走。
回到房间后，我没有像往常一样立刻去整理今天观察到的环境细节，而是直接拿起笔，在纸上写下我的困惑：
“我一直能听到大家说话，但完全无法理解。声音和意义之间，是否存在固定的规则？我能否学习？”
我把纸递给周维。他接过去看了，没有马上回答，而是若有所思地看着我，然后写道：
“你想学说话？听和说？”
我点头，补充写道：“至少，想听懂。这能帮助我更好地理解这里，减少不必要的误解。”
周维抓了抓头发，脸上露出一种混合着兴趣和挑战的表情。他写道：“教机器人学说话……这倒是新鲜。不过，你能学认字，那学说话说不定也行？但我得先问问李工他们，这算不算‘被允许的信息交换’。”
他办事利落，当天晚些时候就带来了答复。李安民和陈泊远对此态度审慎但开放，同意周维在完成其本职工作的闲暇时间，可以尝试进行一些最基础的、非正式的语音辨识引导，但明确了几点：教学内容需为非敏感日常用语；不得涉及任何技术、历史或指令相关词汇；主要目的是方便K-117的日常适应，而非系统语言教学；整个过程需有简要记录。
“成了，”周维在记录设备上写道，带着点小小的得意，“从明天开始，抽空教你。不过咱们可得说好，这玩意儿可能比认字难多了。你得有耐心。”
周维的教学，以一种非常务实的方式开始了。
他选择的时间通常是下午活动时间结束后，在我房间里多待半小时。工具很简单：一本基础的中文图文识字册，显然是给“人类儿童”或初级学习者准备的旧时代遗物，一块便携式白板，还有他自己。
第一次正式教学，周维把识字册摊开在工作台上，指着第一页上一个巨大的、红色的苹果图片，下面写着“苹果”二字，然后转向我，用非常清晰、缓慢的语速说：
“píng——guǒ——”
音频波形在我的处理模块中清晰地记录下来，每一个频率的细微变化，声调的平滑过渡，都被精准捕捉、分析、储存。与此同时，我的光学镜头锁定他嘴唇开合的形状，记录下发出这两个音节时，面部肌肉和口型的特定运动模式。
周维说完，看着我的光学镜头，用眼神询问：明白了吗？
我点点头，表示音频已接收。
周维看着我，赞许地点点头，然后指指图片，又指指自己的嘴，准备重复。
但我打断了他。我认为我已经完成了“学习”——声音样本已获取，对应的文字和图像也已关联。为了确认学习效果，也为了展示我的学习效率，我启动了刚刚记录下的那段音频波形的精确回放功能。
我的音频合成模块调用了那段波形数据，力求百分之百还原。
于是，周维的声音——带着他特有的、介于青年和成年男性之间的清朗音色，以及他刚才教学时特意放慢、清晰的吐字节奏——从我的扬声器中传了出来：
“píng——guǒ——”
音高、语调、甚至发音结束时那一点点轻微的气声，都一模一样。
播放完毕，我看向周维，光学镜头微微调整焦距，等待他的反馈。在我的认知里，这应该是最完美、最直接的“学习成果展示”——我不仅“认识”了这两个字，还能“发出”与之对应的、分毫不差的声音。
然而，周维脸上的表情却凝固了。
那不是赞许，也不是困惑，而是一种……非常古怪的、混合着惊讶、恍然和某种强烈忍俊不禁的神态。他的嘴巴微微张开，眼睛睁大，盯着我，仿佛看到了什么极其有趣的事情。
他愣了好几秒，然后突然“噗嗤”一声笑了出来，不是大笑，是一种抑制不住的、从喉咙里滚出来的气音。他连忙抬手掩了一下嘴，肩膀轻轻抖动。
他笑了好一会儿，才勉强忍住，拿起笔在白板上飞快地写道，字迹都因为笑意有些歪扭：
「停！停！不是这样！」
我有些困惑。哪里不对？发音不标准？我立刻进行了一次快速的音频比对，确认回放波形与原始记录波形的重合度高达99.97%。理论上，这就是“正确”的。
我写下：「发音错误？」
周维摇头，笑得眼泪都快出来了，他继续写：
「发音没错！简直太‘对’了！但问题就是太‘对’了！你这是把我的声音完完全全录下来又放了一遍！」
「学说话不是当录音机啊，‘小七’同志！」他在“小七”两个字上画了个圈，强调这个新称呼。
我理解了，但又没完全理解。我写道：「学习目标：掌握‘苹果’一词的正确发音。你的发音是标准样本。复现样本，即达成目标。有何不妥？」
周维抹了抹笑出来的生理性泪水（一种高度拟真的反应），深吸一口气，努力让自己显得严肃一点，但眼里的笑意还没褪去。他写道：
「大大的不妥！首先，你把我所有的声音特征——音色、语调习惯、甚至我说话时可能带的一点点个人小口音——都原封不动学去了。这样听起来，就像是我在透过你的扬声器说话，而不是‘你’在说话。」
「其次，也是最关键的，」他加重了笔迹，「语言不是这样的。不是复制声音的波形。是要用你的‘发声部件’，去‘模拟’那个声音，而不是死记硬背每一个词由某个人说出来的具体模样。否则」
他停顿了一下，似乎在寻找最恰当的比喻，然后继续飞快地写道：
「否则，你永远只会说‘周维版’的苹果、水、桌子。如果明天换陈工来教你，你会学到‘陈泊远版’的苹果，后天换成苏茜，又是‘苏茜版’的苹果。你会像一个……存储了无数人录音的播放器，而不是一个真正‘会说话’的个体。」
他看着我，似乎在观察我是否跟上了这个逻辑。
「你需要找到属于‘K-117’——自己的声音。用你的发声器，你的硬件条件，去尽可能地‘逼近’那个大家约定俗成的、代表‘苹果’的声音概念。这样，无论谁听到，都能明白你在指什么，而且知道——这是‘你’在说话。」
我陷入了短暂的沉默。处理器快速分析着他的话。
我自己的声音？
这个概念对我来说是全新的。我的音频输出模块，自出厂以来，其预设功能就极为有限：用于播放系统状态提示音（单调的电子音）、发出标准化的故障警报（几种固定的高频组合），以及在必要时，用于吓退野兽的合成音。这些输出从来不以“模拟人类声音”为目标，更不用说形成带有“我”的特征的语音。
「这就像……所有人类小孩的声带和口腔构造也都不一样，但他们通过学习，都能发出让其他人理解的‘苹果’。那声音有的清脆，有的沙哑，有的带点方言腔调，但没关系，只要核心音素和调子对了，意义就传递过去了。」周维补充道，试图用另一个类比让我理解。
也就是说，要“创造”一个和周围人都不一样，但又能被大家识别的声音特征？
我似乎理解了。这不是精确复现，而是在一个允许的“偏差范围”内，进行主动的、带有自身硬件印记的“模拟”。目标不是成为完美的录音机，而是成为一个能有效输出特定语音信号的、具有识别度的……个体。
我想起了在锈蚀派据点里，那些混杂的、从不追求统一的意念波交流。
响子的意念波总是带着一种跳跃的、高频率的波动，像他这个人一样充满活力，有时候甚至会因为情绪激动而有些“信号溢出”。
隼的意念波则截然不同。它极少出现，一旦出现，总是极短促、高度压缩，几乎没有冗余频率。
锈爷的意念波最为奇特，它并不总是最清晰，有时甚至会夹杂着一些陈旧硬件难以避免的“背景噪点”和细微延迟，但那噪点和延迟本身，似乎也成了他话语中沧桑与权威感的一部分。
还有锅叔的、老林的……每个人的意念波都因其机体型号、改装程度、核心状态乃至个性算法的细微不同，而带有独一无二的“音色”和“节奏”。从来没有两个锈蚀派的意念波是完全相同的。但这并不妨碍我们交流。我们接收的是信息编码本身，同时也无意识地辨认着编码背后那个熟悉的“信号特征”——那是“响子在说话”，那是“老黑在回答”。
声音，或者说任何形式的信号输出，除了传递内容，本身也携带着“来源”的特征。
我理解了逻辑，但实践是另一回事。
我尝试进行第一次自主调整。我调取了“苹果”这个词汇的标准音素分解数据（从周维的发音中反向工程得出），然后将其输入我的音频合成模块，同时，我刻意压制了模块对周维原始音色的模仿倾向，试图让合成过程更“中性”。
然后，我播放了结果。
一个平板、单调、缺乏任何抑扬顿挫和共鸣感的电子合成音，从扬声器里传出：
“Ping. Guo.”
两个音节被清晰地切割开，音高固定，像用尺子量出来的一样标准，也像冰块一样冰冷生硬。
周维听完，脸上的表情从期待变成了更深的无奈，他摇摇头，写道：「不行不行，特色是有了，但这听起来像是老式导航仪在报站名。太机械了，没有‘活气’」
“活气”？这个形容超出了我的参数表。但我明白了，我过度“中性化”，丢失了人类语音中那些看似冗余、实则承载了信息（如情绪、强调）的韵律特征。
第二次尝试。我重新引入一部分周维发音中的韵律数据（语调起伏、音节时长分配），但继续尝试剥离其个人音色特征，用我的合成器去填充。
结果是一段古怪的混合体：语调是周维的，但音质是我那种单薄的电子声，两者结合，产生了一种扭曲、不协调的感觉，有点像……一个努力模仿人类语调失败的机器。
周维忍不住又笑了，写道：「这个更怪了……像那种古代游戏的电子音乐一样。」
我停止了输出。散热风扇微微加速。我意识到这比我想象的复杂得多。我可以在毫秒内破译复杂文字，可以精确控制关节完成精细操作，但面对“发出属于自己的、自然的人类语音”这个任务，我就像一个拿着最精密的扳手，却不知道如何演奏小提琴的工匠。
我不知道什么是“自然”，什么是“自己的声音”。我只有“精确复制”和“合成模拟”两种模式，而两者似乎都不得其法。
我有些困惑地写道：「我理解需要输出带有个体特征的声音。但我缺乏定义‘个体语音特征’的初始参数和生成逻辑。目前我的音频输出只有两种基准模式：精确波形复现，和标准化合成音。两者似乎都无法满足‘自然对话’的要求。」
周维看着我写下的字，脸上的笑意收敛了，露出了思索的神情。他来回踱了几步，手指无意识地敲着记录板的边缘。然后，他眼睛一亮，似乎想到了什么。
他迅速在记录板上写道，带着点兴奋：
「等一下！我想到办法了！」
「你需要更多样本的输入，不只是听我一个人说。」他眼睛发亮，「我们有旧时代的影像资料！里面有无数人说话，各种各样，而且很多都有文字字幕。」
「你看影像，听声音，对照字幕。以你的处理速度，完全可以从海量样本里自己总结出发音规律，甚至……形成你自己的说话方式！」
这个提议立刻引起了我的兴趣。影像资料意味着动态的、多维度的信息输入，远比单一教学高效。但我考虑到限制：「接触这类资料，需要特殊权限吧？」
周维笑着摆手，写道：「我去申请试试！就说为了帮助你更好适应这里，降低沟通成本。等着！」
他收起东西，风风火火地离开了。