长文 TTS 为什么说不完：从 61 秒长尾到分段修复与短片段反例

长文朗读、课程配音、语音助手都有一个很直接的验收问题：文字是否完整地说出来，而且及时结束？一段音频可以拥有不错的平均 ASR 分数，仍漏掉句末；也可以生成得很快，只是提前截断。我们在公开 Qwen3-TTS 上遇到的 61.36 秒异常，让后续迭代从“比较几个采样参数”转向“记录为什么结束”。

这篇沿着三轮实证讲清楚这个变化：第三轮发现异常，第四轮确认触及预算并保留短上限反例，第五轮用新长文检验固定分段。实验使用冻结模型，没有 TTS 微调，没有人类 MOS，也没有把候选策略上线。业务背景用于解释为什么需要这些指标。前置知识见声音表示与 ASR，导航见系列总纲。

先把声学 token 与文字 token 分开

Qwen3-TTS 的离散多码本路线先生成声学序列，再解码回波形。主 talker 与 sub-talker 协作产生多层码本信息；文字、语言和声音条件影响生成。我们选择 Qwen3-TTS-12Hz-0.6B-CustomVoice，英文 Ryan、中文 Vivian，BF16、SDPA、单条、非流式调用。

技术报告描述约 12.5 Hz 的声学时间帧、16 层码本及因果波形解码器。本文记录的“主 token 数”是主 talker 生成步数，不包括输入文字 token 或子码本的全部计算；不能把它直接解释为朗读词数。技术报告

该固定 0.6B CustomVoice 版本不支持 instruct 控制；官方代码会忽略此类参数。因此本文没有虚构“加情绪指令改善停止”的消融，也没有开展真人身份克隆。官方模型功能表与实现

上方是生成链，下方是两条独立证据链。EOS 回答“模型有没有自然停止”；转录回答“识别器听出了什么”；人类听评才覆盖自然度、韵律和听感异常。

每轮究竟增加了什么证据

第五轮进一步包含 139 次内部 TTS 请求、78 条有效双 ASR 转录及两套规范化的 156 条评分记录。同一文本的三份输出是配对样本；139 个片段也不是 139 条独立长文。研究计划里更大的盲听或噪声矩阵，没有执行就不计为实验。

Case 1：61 秒音频，不等于读完了 61 秒内容

已知句是：

Although the weather was cold, the children walked to the library and borrowed three books.

第三轮 greedy 音频长 61.36 秒，反转写止于 ...to the library and.，缺少 borrowed、3、books；两个采样 seed 的输出为 5.36 和 5.76 秒，反转写完整。长音频 10 秒后的 RMS 仅 0.00135，峰值 0.00449。

异常是长时间低能量输出；没有直接听辨时，不能把低能量自动叫作静音，也不能断言它一直在重复说话。两个采样 seed 的成功，只支持此案例，不能宣称采样普遍更可靠。

它暴露了 RTF 的盲区。RTF 是生成秒数除以音频秒数；继续生成低能量尾部，分母也会继续增大，RTF 看起来仍正常。实际业务更关心“读完整段并交付”的时间，因此还需要内容完整性、异常尾部和停止原因。

第三轮只保存 WAV 和耗时，不能依据 768/12.5 接近时长便宣布没有 EOS。第四轮在官方后处理前记录原始生成序列，并用同一正常句验证：开关记录钩子，波形逐采样点完全相同。

记录 EOS，才能区分自然结束与预算中止

原始主序列含 EOS=2150 时记为 EOS；没有 EOS 且达到最大步数时记为 CAP_WITHOUT_EOS。一个正常控制有 41 个原始 token，末尾是 EOS，官方后处理后的声学 code 只有 40 个。只从最终声学 code 找 EOS 会误判，因为后处理已经截掉终止符。固定源码

旧句的直接对照如下。

192-token 序列是 768-token 序列的严格前缀，两份旧 768 波形也与第三轮 SHA 相同。因此确认的是“提前停止同一路径”，不是内容生成已修复。模型为什么没正确续读与产生 EOS，仍未完全定位。

Case 2：把最大步数调小，会截掉原本正确的长句

第四轮另冻结八条新文本，不用旧失败句代替泛化测试。两条较长文本在 greedy768 下分别生成 20.08 / 26.56 秒且有 EOS；greedy192 都在 15.28 秒触顶，ASR 分别少 11 个英文词、47 个中文字符。六条短文本在两个 greedy 上限下 WAV 完全相同。

于是“更短上限更可靠”的判断被新案例推翻。上限仍可作为资源保护，但应标记请求未完成，不能混入成功生成率。一个 UI 如果把截短 WAV 正常播放完就展示“朗读成功”，会掩盖最需要提示给用户的问题。

评分本身也被审计：第三轮 1,200 条系统输出的数值复算都一致，可是 seven thirty / 7:30 会因规范化产生编辑差异。后续主表保留冻结规则，同时单列数字、时间敏感性，不为某个方法事后换更好看的分数。

第五轮：固定分段能否解决长文遗漏

新集为英中各六条原创长文，英文 54–61 词，中文 141–149 个含标点字符，覆盖时间、数量、问句、长复句、小数单位和操作说明。另有旧句回归，单列且不进入新集分母。三条路线在同一文字上比较：

规则遇逗号、分号、句末标点即切分，保留原字符；英文长段上限 20 个空白词、中文上限 36 个 Unicode 字符，保护连续数字、小数与时间。相邻段仅加入 150 ms 零值静音，不剪失败尾部、不删除词、不按 ASR 结果修改文本。新中文集在标点切分后都短于 36 字符，不能证明该字数阈值最优。

这不是单因素实验。分段同时改变上下文、停顿、请求数和总可用 token 预算。问题是运行策略在当前面板上有何代价与收益，而不是“同等算力下分段算法胜出”。

双 ASR 看到了哪些改善

同一完整最终 WAV 分别交给 Qwen3-ASR 0.6B 与 Whisper tiny multilingual。两者不选择生成结果、不合成一个“真实质量分”。先验证 Whisper 对旧长 WAV 输入完整有效特征、进入 0/3000/6000 的长音频 seek，避免只识别前 30 秒。

英文主规则为 NFKC 与 Whisper EnglishTextNormalizer 后的 WER；中文为 NFKC、去标点后的 CER。S/D/I 保留以识别删除、替换和插入。分母跨配置相同，配对结果在生成前冻结。Whisper 长音频实现说明

中文分段两套代理都改善，但绝对水平相差很大，说明弱识别器也会贡献错误。英文总体均值下降，完整 EOS 请求却从 5/6 降到 3/6。这两个事实可以同时成立。

英文 Qwen 的总体下降主要由 en03 一次严重整段失败改善推动。按文本比较分段对 whole768：Qwen 改善 2、变差 2、持平 2；Whisper 改善 1、变差 2、持平 3。中文两套识别器都在六条上改善。不能只报总体平均，把英文已有正常文本的退步抹掉。

Case 3：固定展示文本的改善与截断

生成前选定的 en01_time 与 zh01_time 作为固定展示，en06_procedure 则是事后选出的负例。下表按同一原文配对，列的是识别编辑计数，不是人工确认的发音错误。

图中上两行是生成前固定的 en01、zh01，第三行是旧句回归，并非 en06。波形能帮助定位段间停顿和异常长段，不足以独立判断读了哪个词。en06 的过碎负例在下一节单列。应将原文本、停止记录和两套转录一起检查。

数字时间敏感性又提供一条边界：中文分段 Qwen 的主分数是 6/793，固定敏感性规则下为 0/797。分母也改变了，因此保留主表与敏感性表，不能事后挑 0% 替代结果。规则不是完整语义评分器，也没有为 Whisper 追加事后繁简映射。

Case 4：只有一个词的片段，也可能生成到上限

全部分段无 EOS 片段只有三个，我们穷尽展示而非按效果挑选：

“Next,” 并没有因为短就可靠地结束。问句的输出中出现分散的高能量区间；另两段的波形也不同。图支持完整时长与停止审计，未经听辨不能给每段高能量自动赋予具体语义。

英文分段的七个 Qwen 删除全部落在这三个无 EOS 片段内，属于相互吻合的诊断证据。它仍不是对模型内部根因的证明：每段孤立生成改变了语义上下文和韵律提示。

en06 同时让独立识别器发生异常。Whisper 输出长串 Naaaa…，两个不同底层 generate 调用各触及 440 新 token 上限；原始各返回 443 token，包含三个前缀。末次较短返回也被时间戳段引用。不能把“两个底层调用”误写成“两条最终音频”，也不能把该转录的 27 个错误全部归因于 TTS。

两套 ASR 的分歧让错误归属更诚实；取较低值、较高值或平均，都不会自动得到真实听感。

分段的成本：首段更早，计算不一定更少

英文分段的实际生成调用比 whole768 更多，中文少一些；总允许预算两种语言都更高。首完整段约三四秒返回，但这是非流式接口的一整个 waveform 返回，不是网络首包或真实流式延迟。

39 份最终 WAV 合计 1,308.84 秒，正式 TTS 调用合计 1,287.24 秒；统计保留失败尾部。生成计时 CUDA 同步，包含 token 记录开销，排除加载、预热、写盘与 ASR。段间韵律、音色衔接和 150 ms 停顿尚未人工评价；单看首段时间不足以决定课程配音策略。

旧句回归成功，不代替新长文验证

旧句 whole768 / whole192 分别仍触顶无 EOS；分成两段后全段 EOS，10.87 秒、136 主步数，两套 ASR 均无编辑错误。跨轮还核查了 whole768 / whole192 的 WAV SHA 和完整主 token 序列相同。

这个回归说明已知失败可被该策略绕开；新英文集却揭示三个短片段失败。因此两条证据必须一起保留，旧成功案例不能充当新文本泛化率。

为下一次改进定义清楚验收

当前更值得继续验证的是“合并过短片段”是否减少无 EOS，而不是继续把上限变小。应先在开发文本冻结合并规则，再用新长文检查内容、停止、重试成本与韵律；只在明确 cap 时触发 fallback，也需要把第二次计算计入请求成本。这些是后续假设，本轮未运行。

本轮独立 CPU 审计逐个检查 39 个最终 WAV、139 个内部段 WAV 的 SHA、采样数、原文覆盖、逐采样点拼接、raw token 与预算；重执行 78 条转录的两套规范化、156 条编辑记录。原始波形、失败日志与代码快照均保留。审计没有重新运行第二遍编码器，没有人工听评，也不能当成第三方认证。

潜在朗读系统的实用验收至少应把“完整内容且自然结束”“被预算中止”“异常”分别报告，再展示成本和盲听结果。当前证据支持固定分段继续研究，尚不支持将逐标点切分称为通用修复。

实验源码见 labs/diagnostic_round/audio/ 与 labs/round5/audio/；原始文本、停止记录、双 ASR、成本与媒体保存在对应实验归档。完整 WAV 没有为博客展示而改写，本文使用保存波形绘图和原创流程图。继续阅读视频生成：时间、条件与质量代理。