AI 文本转语音（TTS）各类问题

• 有些汉字，其韵母部分，在 9.5k Hz 以上，偶尔会出现很短的咔哒声。
• 汉字“戌、需、凶、兄"，其声母部分，在 4k Hz ~ 10 kHz 之间，容易出现爆裂音。
• 汉字“忌、吉、基、计”，其韵母部分，在 2k Hz ~ 4k Hz 之间，容易出现爆裂音。在 4.5k Hz ~ 7.5k Hz 之间，能量过强。
• 汉字“财"，在声母与韵母衔接处，在 1k Hz ~ 3 kHz 之间，容易出现短处的杂音。
• 汉字“世应"，韵母部分，在 5k Hz ~ 7 kHz 之间，粘连。

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。

• 横向条纹（水平线）：代表持续稳定的单一频率（如基频和泛音，即我们听到的音高）。
• 竖向条纹（垂直线）：代表极短时间内的宽带能量爆发（即瞬态，Transient）。

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。

TTS 人声特点

TTS（Text-to-Speech，AI文本转语音）的核心基础优势是‌发音清晰稳定、底噪极低‌，但受合成机制固有特性限制，与真人自然人声相比存在多维度的结构性缺陷：

• 动态与响度
  • 动态范围压缩：TTS 输出的电平分布过于均匀，缺乏自然语音中因情感、强调而产生的大幅度强弱变化，整体听感"平"。
  • 字词间响度不一致：不同发音部位（如爆破音与摩擦音）之间音量差异明显，部分音节存在突兀的电平跳变。
  • 整体响度偏低：在复杂声场（如配乐、环境音）中容易被掩蔽，尤其 2–5 kHz 的关键语音频段能量不足，影响可懂度。
• 瞬态与包络
  • 瞬态起振过陡：部分字音的起始，呈现近乎垂直的上升沿，缺少自然发声中毫秒级的渐入过程，听感生硬。
  • 音节截断感强烈‌：间隔极短（约 10 ms），字与字之间波形快速归零，音节结束得极为突然，缺乏自然的气息拖尾或混响衔接，产生"门限式"开关感。
  • 瞬态峰值突出：某些辅音（尤其是爆破音）会产生突发的瞬态尖峰，需额外做去峰值处理。
• 频谱与谐波
  • 谐波结构过于规整：低频段（1 kHz 以下）常出现整齐平行的谐波列，基频极度稳定，缺少自然声带振动的微抖动（jitter/shimmer），这是"机械感"的核心来源之一。
  • ‌频段分布失衡‌：部分元音的低频能量突兀堆积，而 2 - 5kHz 关键语音可懂度频段能量常出现不足；高频段（尤其/s/、/c/等齿音）能量异常尖锐刺耳，高频泛音不足但尖锐感突出，长时间聆听易产生听觉疲劳。
  • 泛音匮乏：整体谐波丰富度不足，声音缺乏空间感和丰满度，听起来"干"、"扁"。
• 韵律与语流
  • 节奏机械：语速过于均匀，停顿严格按标点切割，缺少连读、滑音、语气重音等自然语流特征。
  • 重音缺失：无法模拟人类说话中基于语义的自然重音分布，重点词不突出，像"读稿机"。
  • 缺乏情感驱动：语调平直，没有内在情感支撑，导致整体听感冷硬、疏离。
• 共鸣与质感
  • 共鸣缺失：缺少真实人体发声器官（胸腔、咽喉、口腔）产生的自然共鸣，产生的丰富泛音结构，导致频谱丰满度不足。中低频质感薄弱或分布不合理。
  • 缺乏气息感：没有真人发声中的呼吸变化和微小噪声成分，声音过于"干净"反而显得不真实。
• 底噪与纯净度：数字合成通常底噪很小，这本身是优点，但也意味着缺少自然录音中的环境氛围感，在混音中可能需要人工添加微量噪声以增强融合度。

声音发闷：整体音频偏闷，除了中高频和高频能量不足外，中低频部分可能存在能量堆积或某些特定频点能量过强的情况。这些过强的中低频成分会使声音浑浊、缺乏清晰度，需要通过衰减相应频点的 EQ 来改善。

• 70 Hz，低切。
• 200 - 300 Hz：人声的低频共鸣区域之一，如果能量过高，会使声音听起来浑浊、发闷，缺乏清晰度。如，对 240 Hz 适度衰减，2 - 3dB 左右，Q 值为 1 - 1.5 之间。
• ‌400 - 500 Hz：该频段对于人声的温暖感和厚度有一定贡献，但如果能量过强，会使声音显得拖沓、不清晰，尤其是在与其他字音粘连的部分，会加重闷的感觉。‌如，对 420 Hz适度衰减，2dB 左右，Q 值为 1.2 左右。
• 800 – 1.5k Hz：视情况补 1 – 2dB，Q 值为 1 - 1.5 之间，补冲空洞感。
• 2k – 5k Hz：提升 1.5 – 2dB，Q 值为 1 - 1.5 之间，增加咬字清晰度；同时 6k – 9k 用动态 EQ 或去齿音控制，防止“丝滑”变“扎耳”。
• 8k - 12kHz：使用高频搁架，提升 1 dB 左右，Q 值为 1。TTS 高频本身信息少，硬抬只会抬出噪声和电子味。可以用谐波激励器，只生成 2k – 6k 泛音，量控制在 5% – 15%。

• 方案一：
  • 60 Hz，低切，Q 1，斜率 12 dB/Oct。
  • 70 Hz，低切，Q 1，斜率 6 dB/Oct。
  • 380 Hz，动态衰减 2.0 dB，Q 0.8，阈值 -15 dB。
  • 1.0k Hz，静态增益 1.0 dB，动态衰减 3.0 dB，Q 1.0，阈值 -12 dB。
  • 3.2k Hz，动态衰减 1.5 dB，Q 3.0，阈值 -22 dB。
  • 5.0k Hz，静态增益 1.5 dB，Q 1.0。
  • 10 k Hz，静态增益 0.5 dB，Q 1.0。
• 方案二：
  • 60 Hz，低切，Q 1，斜率 12 dB/Oct。
  • 70 Hz，低切，Q 1，斜率 6 dB/Oct。
  • 240 Hz，动态衰减，2 dB 左右，Q 值 1。
  • 420 Hz，动态衰减，2 dB 左右，Q 值 1。
  • 1.0k Hz，静态增益 1.0 dB，动态衰减 3.0 dB，Q 1.0，阈值 -12 dB。
  • 3.2k Hz，动态衰减 1.5 dB，Q 3.0，阈值 -22 dB。
  • 5.0k Hz，静态增益 1.5 dB，Q 1.0。
  • 10 k Hz，静态增益 0.5 dB，Q 1.0。