语速、停顿、多音字：合成结果怎么精细调

2026-08-24

**合成结果往往不是”完全不能用”，而是”大体可用，但有那么三四处别扭”。**语速稍微赶了点、某个地方该喘口气却一路念下去、一个品牌名读成了另一个字。

这类问题不需要换模型，也不需要重训。各有各的调法，而且手段之间有明确优先级——先试哪个、不行再试哪个。这篇讲的就是这个顺序。至于”为什么会读错”的成因，见 TTS 前端文本处理。

先分清你不满意的是什么

动手前花十秒归类，能省掉大量瞎试：

发音错：某个字读成别的音，属注音层。
节奏不对：字都对，但快了慢了、该停不停，属时长与韵律层。
音质不对：发闷、带金属味，在声学模型与声码器那一段，本篇手段使不上力，见 TTS 的三段流水线。
语气不对：没读错也不赶，就是情绪不搭，属风格控制，见情感与语气控制。

前两类是本篇能修的，而且大多能修干净。

语速：改时长预测，不是改波形

两种做法都叫”调语速”，实际完全不是一回事。

**做法一：在推理时改时长预测比例。**声学模型内部会预测每个音素该持续多久，改这个比例，相当于让模型”本来就打算说得快一点”。生成出来的仍是一段自然语音，音高、气口都按新时长重新算过。

做法二：对已合成的波形做变速。这是纯信号处理。直接改播放速率会连音高一起改变，一听就是快进磁带；想保持音高不变得用变速不变调算法，而这类算法本身会引入失真，语音尤其容易出现颤抖感。

**结论：能在推理阶段调，就别在波形上调。**前者是重新生成，后者是事后拉扯。只有手上只剩一个音频文件、回不到合成环节时，才退而用波形变速。

停顿：标记、标点、切句

三种手段，从直接到间接：

**一、显式停顿标记。**很多系统支持 SSML 一类的标记语言来插入停顿，但是否支持、支持哪些标签、语法长什么样，完全取决于你用的具体实现，必须查文档：有的只支持一个很小的子集，有的用私有语法，有的干脆不支持。

**二、用标点间接控制。**通用性最好，因为前端的韵律预测本来就吃标点：

标点	前端通常给的停顿
逗号、顿号	短停
分号、冒号	中等
句号、问号、感叹号	长停，且句调会重置
破折号、省略号	偏长，常带语气变化

想让某处多停一下，把逗号改成句号往往立刻见效——代价是句调也跟着重置，语气会显得更断。

**三、把长句切短。**该停的地方直接断句，是不支持标记时的兜底。长句本身也容易让韵律预测出错，切短是双重收益。

多音字与专名：注音标注最直接

**给出注音标注强制指定读音，是修复读错最直接的手段。**不依赖模型改进，立刻生效，只影响这一处。

人名、地名、品牌名是重灾区——它们大多是未登录词，前端只能靠猜，别指望换个模型能猜对。具体的注音写法各系统不同，仍要查所用实现的文档。

数字：直接写成中文

**这是最实用的一招。**同一串阿拉伯数字没有唯一读法，前端只能靠上下文猜。与其调规则赌它猜对，不如直接把「二零二五年」写进文本。

你比系统更清楚这个数字该怎么读——把这个知识写进文本，比让它去猜可靠得多。金额、编号、电话号码、比分、日期全都适用。隐藏好处是结果稳定：换模型、升版本，中文字符的读法不会变，而 TN 规则可能变。

分级修法表

拿到一段不满意的音频，按下表逐级往下试：

不满意的地方	优先试	还不行试什么
整体偏快或偏慢	调推理时的时长预测比例	拆句、加标点重排节奏；波形变速是最后手段
局部某句偏赶	在该句前后加停顿标记	这句单独拆一段合成再拼接
该停没停	逗号改句号，或插停顿标记	直接断成两句
停顿太多显得拖沓	减少标点、短句合并	查原文有无多余的省略号、破折号
某个字读错	注音标注强制指定	加词典；再不行改写用词
专名读错	注音标注，并保证专名不被拆开	改用更常见的写法或全称
数字读法不对	直接写成中文	改写句式让语境更明确
英文缩写读法怪	拉开间隔写成字母，或换中文说法	加词典
语气不搭	改写文本（加语气词、换句式）	换风格控制手段或换音色
发闷、有金属味	本篇手段无效	换声码器或音色

**用法：从左往右、从上往下，别跳级。**跳过”改文本”直接去调参数，是最常见的时间浪费。

调节的副作用

每种手段都有代价，用过头会引出新问题：

**语速太快会吞音。**辅音起始被压缩，咬字含糊，可懂度掉得比预期早。
**语速太慢会显得呆。**音素被均匀拉长，而真人放慢时是重点词拉长、虚词照旧。
**停顿插太多会显得刻意。**每个短语后都留一口气，像在念稿；真人的停顿是不均匀的。
**注音标注加太多会难维护。**文本里塞满标注，谁都不敢改这段话。高频专名该沉到词典或预处理层。

**判断标准只有一个：整段连着听。**逐句调时每句都变好、连起来却更怪，是常态。

批量场景：建规则，不要逐句手调

要合成的是几百条播报、一整本书时，逐句手调会崩溃，换个人接手就全乱。应该把修法沉淀成预处理规则：

**专名注音表。**把业务里的人名、地名、品牌名、产品名收进一份表，合成前自动套用。
**数字改写规则。**按字段类型固定写法：订单号逐位读、金额按数量读、年份按年份读。这些在你的业务里是确定的，不必每次让 TN 猜。
**标点规范。**统一文案的标点习惯——韵律的一致性来自输入的一致性。
**回归清单。**挑十几条覆盖各类模式的代表文本，每次换模型或改规则都重听一遍。

关键：规则放在合成前的预处理层，别污染原始文案——它还要给人读、给别的渠道用。长文本还需处理切分与拼接，见长文本切分与拼接。

调不动的时候怎么办

有些句子就是调不好。承认这一点能省很多时间：

**第一，改文本比调参数有效得多。**把想要的停顿、语气、断句直接写进文本——加个语气词、换个句式、把长句拆成两句。参数是隔着一层跟模型商量，文本是直接告诉它。

**第二，换个音色可能比死磕当前音色快。**不同音色的韵律风格差异很大，某个音色在长句上就是容易赶。与其花一小时把它压回来，不如换一个试，往往几分钟就有结论。

**第三，接受”这句就是合成不好”，然后改文案。**这是很多人不愿承认但最省时间的选择。一句话反复调都别扭，说明句式和当前系统不合，重写一句意思相同的话通常一次就过。文案不是圣旨，目标是听感而非逐字忠实。至于哪些别扭是调节根本解决不了的，见为什么合成音听起来像机器。

常见问题

问：语速和停顿应该调到什么数值？

没有通用答案，各实现的参数含义和取值范围都不同，抄别人的数值大概率不适用。做法是在自己的业务文本上做 A/B 试听，固定其他变量只动一个，找到档位后写进规范。

问：调参数会不会影响音色相似度？

大幅调整时会。时长预测拉得太偏，韵律会偏离参考音频原有的说话习惯，听感是”还是那个声音，但不像那个人说话了”。克隆音色场景尤其明显，幅度保守些。

问：能不能只把有问题的那句重新合成再替换进去？

可以，但要注意拼接处：分开合成的片段可能音色漂移、语速不一致，接缝处也容易有爆音。缓解办法是固定随机种子与说话人嵌入、接缝处做短交叉淡化、避免片段切得过短。