为什么不引入延迟变声的效果就会变差呢？ 因为说话有语境，有上下文，说话不止需要前参考，还需要后参考，人在说话时，大脑已经预先处理了，说出来就很自然，但是机器不知道你的下一句是什么？所以只能依据前参考，预测后参考，有偏差，自然度就比较差。