客服机器人接的是自建 CosyVoice2-0.5B 服务,上线第二天运营反馈音色不对。选的是女声 zh_female_01,出来像男声,语速还快了一截。接口返回 200,wav 也能正常播放,听感就是偏。
先怀疑 speaker id 传错。把 voice 参数换成内置的 8 个 id 各合成 10 条,只有 3 个听着偏中性,其余正常,映射表没问题。接着用 ffprobe 看输出,采样率是 22050,而推理配置写的是 24000。前端按 24000 播放 22050 的音频,时长被压掉 8.8%,音调整体抬高,这就是男声感的来源。
再往上查参考音频。prompt_wav 是运营用手机录的,44.1kHz 单声道,代码里写的是 librosa.load(path) 没传 sr,保留了原始采样率。模型内部按 24k 解读这段波形,等于把 44.1k 的内容当成 24k 播,音高被拉低近一个八度。两个偏差一升一降叠在一起,听感彻底跑偏。换成蓝牙耳机录的 16k 素材,同样的代码出来又偏尖,说明这不是设备问题是代码问题。
import librosa
import soundfile as sf
# 参考音频先统一重采样,别信默认值
wav, _ = librosa.load(path, sr=24000, mono=True)
sf.write(out, wav, 24000, subtype="PCM_16")
修法是两个位置都写死采样率。参考音频重采样到 24000 再进模型,合成结果保存时 samplerate 也写 24000,不许走默认参数。没走 ffmpeg 命令行,200 条要起 200 个进程,脚本里用 soxr 快了 4 倍。
验证不看波形看指标。抽 30 条文本,每条合成 3 次,ffprobe 出来的采样率必须全是 24000,时长标准差小于 2%;再用 praat 取 F0 均值,同音色 10 条之间差值在 5Hz 以内。改完这轮运营盲听 20 条,18 条认成目标音色。剩下两条文本里夹着英文单词,分词后韵律断了,和采样率无关。
