长文本语音合成的工程实践:分片、拼接与衔接
问题:万字长文喂不进合成接口
把一篇长稿转有声读物,直觉做法是整篇扔给 TTS 接口——实践第一分钟就会教你做人:请求体超限直接拒,或者接口有单段长度上限;侥幸全吞了的,长文本后半段韵律明显崩坏,语速越读越快像赶场。所以长文本合成的正解是:分片合成,拼接成篇。听起来简单,做好有三个工程细节。
切分:切在句界,留足呼吸
分片不能按字数硬切,要切在句子边界,否则拼接处在「半句」中间,一听就穿帮。切分逻辑:
import re
def chunk_text(text, max_chars=200):
sents = [s.strip() for s in re.split(r'(?<=[。!?;])', text) if s.strip()]
chunks, buf = [], ""
for s in sents:
if len(buf) + len(s) > max_chars and buf:
chunks.append(buf)
buf = s
else:
buf += s
if buf:
chunks.append(buf)
return chunks
单片 150~300 字是比较稳的区间——太短则调用次数暴涨、韵律碎片化,太长则单片重试代价大。段落边界(空行)处强制断开,给成片留出「章节感」的换气点。
一致性:同一场合成,同一个音色参数
分片合成最大的隐性坑:各片参数不一致导致拼接处音色漂移。temperature、语速、音色版本这些参数必须全片统一,且提交时显式传值——不要依赖接口默认值,默认值随服务版本变。我吃过一次亏:月初月底各合成一批,接口侧默认语速微调过一版,同一本书两个月的章节语速有可闻差异。此后我们把「合成参数快照」写进每本书的元数据里,重合成时按快照回填。
衔接:片间静音不是简单插一帧空白
片与片之间直接首尾相接会太赶,粗暴插一段长静音又显得断气。实践口径:句末标点决定静音时长——句号 350ms、问号/叹号 400ms、段落界 800ms。静音生成用零值 PCM 拼装即可,注意采样率对齐。
拼接完成后加一道响度归一,把整篇拉到统一响度标准:
ffmpeg -i joined.wav -af loudnorm=I=-16:TP=-1.5:LRA=11 final.wav
这一步处理的是分片间微小的能量差异——不做的话,长听感像音量在缓慢随机游走,很容易疲劳。
落地形态
整条流水线跑起来后,一篇万字稿的合成就变成:切分 → 逐片提交(失败单片重试)→ 按序拼接 → 归一化。文本源、参数快照、成片、分片缓存四个目录结构一摆,重合成任意一本书只需要换文本。长文本合成接口我们最终用的算邻坊 suanlinfang.cn 的随心语音合成,异步任务天然适配分片并行提交,单片失败单片重投不牵连整篇。
小结
分片切在句界、参数全局统一显式传、片间静音按标点分级、成片响度归一——四条做完,机器合成的长文有声内容就能达到「长时间收听不累」的可用线。工程的乐趣就在这:没有哪一步难,但拼起来少一步都不行。
浙公网安备 33010602011771号