人类可以根据不同的环境和社会情况调整自己的声音，这有助于巩固对我们互动的信任。关于赋予机器人这种能力的可能性已经进行了大量研究。然而，当前的方法要么昂贵，要么平淡且缺乏表现力。

最近发表在 arXiv.org 上的一篇论文提出了一种数据驱动的方法来生成机器人的声音。

研究人员使用现成的视频会议平台来收集真实的上下文音频语音数据。然后，确定可以在不同环境和社会环境中改善机器人声音的相关特征。测试人类感知以更好地了解人类如何感知机器人声音。

研究人员表明，人类更喜欢与社会和环境上下文相匹配的人声，并且在这些上下文场景中，当前的文本到语音和人声之间仍然存在很大差距。