AI 文本转语音（TTS）各类问题

竖向条纹

3k – 4kHz 异常隆起：自然男声在这个频段的能量分布是平滑的。你图中的隆起是声码器合成时"无中生有"产生的共振峰畸变——它不是"这个频段声音大了点"，而是"算法在错误的地方创造了一个不自然的能量峰"。这是算法引入的结构性异常，属于"合成伪影（synthesis artifact）"。

在声学和信号处理中，频谱图上的竖条状条纹具有非常特殊的物理意义。

对于“财”（cái）字：

真实发声角度：声母 c [tsʰ] 是一个清辅音（塞擦音），在发音瞬间声带不震动，气流冲破阻碍，会在极短的时间内（几毫秒到十几毫秒）产生全频带的噪声能量。因此，真实人声中也会出现竖向条纹。
TTS 人声缺陷角度：图1中“财”字开头的竖条过于密集、亮度极高（能量过强），且在中高频（2kHz - 8kHz）呈现出一种不自然的“梳状”重复排列。这属于典型的AI声码器（Vocoder）伪影——声门脉冲（Glottal Pulse）模拟生硬，或者在“得”字到“财”字音素切换时，相位发生了瞬间不连续。

这种过度的、带有AI特征的竖条状瞬态，会直接破坏你追求的“咬字清晰”和“柔顺丝滑”：

产生“毛刺感”与“劈音”：竖条纹越亮，说明该瞬间的能量越尖锐。在听感上，这会导致“财”字的声母 c 听起来非常刺耳，甚至有轻微的“啪、啪”爆音或塑料摩擦的“嘶嘶”声，导致人声听起来“扎耳朵”、不够圆润。
听觉掩蔽效应：如果 c 的瞬态能量过大（竖向亮条过强），它会像一道闪光一样掩盖掉后面韵母 ai 的元音过渡。听众的耳朵在听到刺耳爆破的瞬间会产生短暂的生理疲劳，导致后续的“财”字整体发音反而听不清楚。

为了将这些“生硬的竖条”柔化为“丝滑的过渡”，在 Audition 中有以下三种针对性的实操方法：

方法 1：使用“频谱修复画笔”直接磨平：将画笔的“羽化”设置为 100%，“强度”设置为 50%-70%。轻轻涂抹这些竖条。你会发现竖向的亮条纹会变暗，边缘会变得模糊（过渡更平缓），而不会破坏字音本身。
方法 2：使用“自动咔嗒声移除器”（消除相位不连续伪影）：降噪/修复 -> 自动咔嗒声移除器。将“阈值”设置在 30-40 左右，点击“应用”。它会自动检测这些竖向的瞬态峰值，并对其进行微秒级的插值平滑。
方法 3：多段压缩（批量柔化）。如果你想一键处理整句话的所有瞬态毛刺（而非逐字手动修），可以用多段压缩器：
- 效果 → 振幅与压限 → 多段压缩器。
- 选择预设 "广播人声" 或自定义：
- 高频段（3kHz - 10kHz）：
- 阈值（Threshold）：-18dB
- 压缩比（Ratio）：3:1 或 4:1
- 起音时间（Attack）：2-5ms（快速起音才能抓住瞬态）
- 释放时间（Release）：50-100ms
- 这样所有字头的超高频瞬态尖峰会被自动压低，而元音的持续部分不受影响。