上周调一个长句合成，输出音频在中段突然出现音调断裂，像是两个不同人在交替发音。频谱图上一看，隐状态在某个音素边界处发生了跳变。问题最终追溯到训练数据里同一说话人的音频存在采样率混用——部分文件是16kHz，另一些却是22.05kHz。预处理脚本没做统一重采样，导致模型在训练时被迫适应两种不同的频谱特征。今天我们就从数据准备这个最容易被忽视的环节说起。数据收集：要干净，更要一致TTS 对数据一致性的要求比 ASR 苛刻得多。同一个说话人，同样的录音设备，同样的声学环境——这三条是底线。我习惯在项目开始前先写一个数据校验脚本，跑一遍所有音频，检查这些指标：采样率（必须全部一致）比特深度（建议16bit）声道数（单声道为佳）音量电平（做归一化，避免有的片段声音大有的小）静音段长度（头尾静音裁剪要一致）这里有个坑：有些公开数据集标注的采样率和实际文件头里的信息对不上。所以别相信元数据，直接读文件头或者用 librosa 加载时检查原始采样率。importlibrosaimportsoundfileassfdef