CosyVoice 2.0 合成 3 分钟音频尾音一直丢在最后 0.4 秒

客服播报用 CosyVoice 2.0 合成,3 分钟的开场白,最后一句「谢谢收听」只剩一个「谢」字,音频总长 179.6 秒。按语速估算应该是 180 秒出头,差的正好是结尾那 0.4 秒。

第一反应是文本末尾的句号被吞,去掉标点重跑,还是短。把 speed 从 1.0 调到 0.95,整体变慢 3 秒,尾部照样缺。又改成非流式一次返回,问题一模一样,说明不是分块拼接时最后一块没发出来。

真正的原因是采样率。模型输出按 24000 采样,我写 wav 的时候头里填了 22050,播放器和 ffprobe 都按 22050 解,时长被拉长约百分之八,我又按错误时长去对齐文本,越对越乱。统一成 24000 再写 PCM_16,3 分钟的时长误差从 0.7 秒压到 0.02 秒。

顺手把长文本按句切开合成,段间插 120 毫秒静音,避免一口气合成时中间换气声被抹平。切开之后每段能单独重试,某一段出问题不用整条重跑,排错范围也小。

确认:同一段文本重合成,ffprobe 显示 180.1 秒,最后一句完整;再抽 10 段不同文本,时长误差都在 0.05 秒内,戴耳机听结尾没有被切掉的爆音。采样率这个坑在拼接多段音频时更明显,两段头信息不一致,中间会出现一次几十毫秒的静音跳变,听感上像卡了一下。

import soundfile as sf
out = model.inference_sft(text, spk_id, stream=False)
wav = out["tts_speech"].numpy().squeeze()
sf.write("reply.wav", wav, 24000, subtype="PCM_16")
info = sf.info("reply.wav")
print(info.samplerate, info.duration)

您可以还会对下面的文章感兴趣: