音频开发 / 系统课时

处理标点停顿与中文节奏

处理标点停顿与中文节奏

中文 TTS 常见的“不自然”并不一定是音色问题,而是输入文本携带的停顿信息不合理。本节从标点、数字和中英文混排入手,先规范化文本,再按照适合播报的语义边界分句,让合成器获得更接近人类朗读习惯的输入。

学习目标

  • 理解中文标点如何影响停顿和句子节奏
  • 能在合成前完成数字、日期与混排文本的基础规范化
  • 能按语义边界切分文本,兼顾自然度与流式播放延迟

标点就是节奏控制信号

多数 TTS 引擎会把逗号解释为短停顿,把句号、问号和感叹号解释为更明显的句末停顿。如果原文几乎没有标点,长句容易一口气读完;如果逗号过密,又会产生机械的逐段停顿。

中文播报最实用的原则是:句号决定完整语义边界,逗号只承担必要的短停顿。业务生成的文本如果包含连续逗号、英文分号或异常空格,应在送入 TTS 前统一处理,而不是把未经整理的文本直接交给合成器。

先规范化,再分句

推荐把处理链路固定成“原始文本 → 文本规范化 → 领域替换 → 分句 → TTS → 播放”。规范化负责统一标点和空格,领域替换负责手机号、日期、缩写等特殊内容,分句则决定每次提交给合成器的语义单元。

中文 TTS 文本预处理流程

下面的可运行示例演示三个常见动作:把日期转换成更适合中文朗读的形式,把 11 位手机号转换成逐位读法,并统一部分中英文标点后切句。

python
import re

def normalize_for_tts(text: str) -> str:
    # 日期先转换,避免斜杠被部分引擎读成“除号”或直接忽略。
    text = re.sub(
        r"\b(\d{4})/(\d{1,2})/(\d{1,2})\b",
        lambda m: f"{m.group(1)}年{m.group(2)}月{m.group(3)}日",
        text,
    )
    # 手机号逐位播报,比把整串数字当作一个大整数更容易理解。
    text = re.sub(
        r"\b1\d{10}\b",
        lambda m: " ".join(m.group(0)),
        text,
    )
    text = text.replace(";", ",").replace(";", ",")
    text = re.sub(r"\s*([,。!?])\s*", r"\1", text)
    text = re.sub(r"\s+", " ", text).strip()
    return text

def split_sentences(text: str) -> list[str]:
    # 保留句末标点,让 TTS 仍然能够感知完整句子的语气。
    parts = re.split(r"(?<=[。!?!?])", text)
    return [part.strip() for part in parts if part.strip()]

source = "客服电话 13800138000,截止 2026/09/14。API v2 已发布; Next step: retry 3 times!"
normalized = normalize_for_tts(source)

for sentence in split_sentences(normalized):
    print(sentence)

预期输出:

text
客服电话 1 3 8 0 0 1 3 8 0 0 0,截止 2026年09月14日。
API v2 已发布,Next step: retry 3 times!

示例只处理了少量确定规则。真实项目应把“客服电话按位读、金额按数值读、产品型号保持字母数字混合”等规则放进领域词典或规范化模块,而不是依赖一个不断膨胀的正则函数。

处理数字和中英文混排

同一个数字在不同语境里的读法可能不同。13800138000 作为手机号适合逐位读,99.9 作为金额应按数值读,2026/09/14 更适合先转换成日期形式。因此数字规范化必须结合上下文,不能把所有数字统一成一种读法。

英文缩写也类似。API、CPU 这类术语究竟整体读还是逐字母读,取决于合成器词典和产品术语表。应先试听引擎默认结果,只对稳定读错的词做显式替换,否则过度预处理反而会增加维护成本。

分句要兼顾自然度和延迟

流式语音应用通常不能等待整段文本全部生成完再开始合成。切得太大,首包延迟会上升;切得太小,完整语气又会被破坏。中文场景可以优先使用句号、问号、感叹号作为强边界,再对过长句按照逗号做二次切分。

短句也不能无限拆。例如“好的,我来帮您查询。”如果拆成“好的”和“我来帮您查询”,虽然第一段能更早播放,但听感容易变碎。更稳妥的实现会同时设置最小字符数和最大字符数,让分句规则既尊重标点,又受长度约束。

上线前应准备固定回归文本,覆盖长句、金额、日期、电话、英文缩写和中英文切换。每次修改规则后对比首包时间、错读率和异常停顿数,只有这些指标没有明显退化,新的规范化策略才适合进入生产。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

处理标点停顿与中文节奏

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通