問題不太明確，我來分情況討論一下。
1. 機器人指的就是現實中的機器人產品
既然這種機器人發出的聲音聽起來不像真實的，那就說明它不是把語音預先錄制然後播放（比如「倒車請註意」），而是用語音合成技術來生成語音的。
語音的音高，是由「基頻」決定的。在語譜圖上，語音看起來是「排骨」狀的，每一根骨頭叫做一個「諧波」，相鄰諧波的間隔就是基頻。比如， @曹力科 回答中「黑化肥發灰會揮發，灰化肥揮發會發黑」的語譜圖就是下面這樣的。註意「黑」這種一聲字的諧波基本是水平的，而「化肥」這種聲調有升降的字，諧波也有升降。
化肥繞口令——原始音訊
https://www.zhihu.com/video/1206916879530635264
要根據文本生成基頻的變化，並不是一件容易的事，對於早期的語音合成來說更是這樣。如果一個合成語音聽起來全是一聲，那麽就很有可能它根本就沒有去建模基頻的變化，而是偷懶把基頻設定為常數。這樣的語音的語譜圖上，就全是水平的諧波了。
2. 機器人指的是影視作品中的機器人
在影視作品中，為了給機器人賦予一種「非人感」，常常會對預先錄制的真人聲音進行處理。
@曹力科 的答案就給出了一種處理方法，其中關鍵的步驟就是：把原始語音延遲若幹個不同的時間，然後疊加。他采用的參數為：總共疊加 10 份，最小延遲為 500 個采樣點，最大延遲為 2000 個采樣點。他使用的語音取樣率是 16 kHz，那麽相鄰兩份的時間差就是：(2000 - 500) / 9 / 16000 = 0.0104 s = 10.4 ms。
為什麽這樣處理會產生「都是一聲」的聽感呢？這就需要用到訊號處理裏的這個結論了： 時域重復等於頻域采樣 。在時域上每隔 10.4 ms 重復一次，相當於在頻域中每隔 1 / (10.4 ms) = 96 Hz 采一次樣。這其實就是用 梳狀濾波器 對語音進行濾波，梳子的齒所在的頻率都是 96 Hz 的倍數。濾波的效果如下面的視訊所示：梳狀濾波器會破壞掉語譜圖原有的諧波結構，而生成一套新的諧波結構，相鄰諧波的間距都是 96 Hz。你看，基頻變成常數了——所以語音聽起來就「都是一聲」了。
化肥繞口令——疊加後的音訊
https://www.zhihu.com/video/1206917660287811584
這種處理方法完全是人為的，並不需要用「增強無線傳輸語音的可靠性」來解釋，因為：
