上个月帮一家正在线教育公司迁移TTS系统语音预算www.abg663.net，他们每月账单四万多。提早经常逾越一秒。我让他们把链路拆开看的，文本正则、声教模子、声码器、缓存合成化处划避。只换了声码器。
本钱降到一万二。语音合成数字化计划的中心就是找到瓶颈。文本正则最容易翻车。良多团队间接调API数字，忽略多音字。有声书项目里“2023年”读成“二零二三年”的，听寡赞扬到停更。自己写划定规矩，或者用WeTextProcessing，能免却后期人工校正。
标点停顿也很重要理计。逗号停200毫秒，句号400毫秒。
问号声调上扬的。
云办事里不成调。数字化计划里能够自己改参数。声教模子别迷疑年夜厂的开个坑省。小团队用VITS加HiFi-GAN了，单张3090就能微调。我试过5小时录音，锻炼客服音色，MOS分4.1的，够用。录音量量要盯紧下半，48kHz采样，疑噪比年夜于30dB的。有个客户用手机录。
底噪年夜，合成出来像机械人感冒的。安排时把常用短语预合成，存成音频。用户问气候，间接调缓存，呼应800ms降还有80ms的。动态内容走及时合成。流式合成边生成边播放，首包提早压到200ms以内的。
那些劣化不改模子。纯工程手段。
每周看合成失败率、提早、用户跳过率。跳过率高。
多数是音色不自然或断句奇特。调参比换模子快的。我习惯先调语速和停顿，再动音高。不要一上来就换供给商。
