录音 8000 Hz 喂给 16000 Hz 模型 识别全乱 重采样怎么写

陆零云 36 0
客服通话的离线转写,上游给的是裸 PCM,16 位小端、单声道,我们按 16000 Hz 直接塞进 ASR 模型。转写出来的文本大段错字,语速听着快了一倍,时间戳整体偏移,十分钟的录音只出五分钟的字。 第一反应是模型不行,从 base 换到 large-v3,错字少了些,语速还是不对。又怀疑前端录音参数,查了录音端配置是 8000 Hz,电话线路本来就是 8k 采样。也就是说字节流一直是 8k,我们却按 16k 解释,样本点被当成两倍速播放。 试过在模型侧...

CosyVoice 2.0 合成 3 分钟音频尾音一直丢在最后 0.4 秒

陆零云 39 0
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...

TTS 音色发闷:参考音频 44.1 kHz 进 24k 模型怎么对齐

陆零云 38 0
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...