Growdu 音色


 TL;DR
后续视频旁白统一使用这套音色。规范见 ../形象与音色规范.md §2。
难度 中等

后续视频旁白统一使用这套音色。规范见 ../形象与音色规范.md §2。

定稿参数

{
  "voice_id": "Chinese (Mandarin)_Radio_Host",
  "voice_name": "电台男主播",
  "pitch": -1,
  "speed": 1.33,
  "emotion": "neutral"
}

对标参照:aiv/ddl-voiceover.mp3。实测基频偏差 +0.1 半音、
F2 偏差 +31 Hz、动态跨度 107 Hz vs 参照 102 Hz。

试听样本

文件 配置 说明
voice_sample_radio_s133_pm1.mp3 pitch −1 / speed 1.33 定稿,完整口播稿
voice_sample_radio_s135_pm2.mp3 pitch −2 / speed 1.35 备选一,动态跨度最接近参照
voice_sample_southern_s150.mp3 南方小哥 / speed 1.5 备选二,F1 吻合但听感过于平直

合成

cd aiv/voice
python3 scripts/synthesize_narration.py --text "大家好,我是growdu。"
python3 scripts/synthesize_narration.py --script 字幕.md --out narration.mp3

依赖 mcode-tools CLI(先加载 mcode-tools-master skill)。

⚠️ 多音字:这个音色会把词首的「行」念成 xíng

实测(2026-11-13):「行锁」的「行」在 5 个样本里 5/5 念成 xíng;
「同一行」「每一行」「每行」「哪一行」「行号」都念 háng(0/5 出错);
「一行」不稳定(5 个样本里 1 个念 xíng)。

判据不靠 ASR:ASR 会按上下文归一化——同一段音频,孤立听它写 xing2 suo3,
放进整句里又写 hang2 suo3。所以用声学特征量:
[ɕ](xíng)的摩擦噪声集中在 4–6 kHz,[x](háng)在 2–3 kHz。

cd aiv/voice
# 量一个词的首字声母(会合成探针,需要联网)
python3 scripts/check_pronunciation.py --word 行锁 --samples 5
# 判据的两端:原词念 xíng、替身念 háng
make -C pipeline pronunciation

绕法:换等音字——连接器封装会丢掉 MiniMax 的 pronunciation_dict
(行锁/pinganpingan 实测仍念成 xing2 suo3),<phoneme> 标签会被念出来,
括号里的拼音也会被念出来。

原词 替身 为什么等音
行锁 航锁 航 = háng,无歧义,声母 [x]、韵母 [ɑŋ]、阳平;整句只差 0.093 s
一行 壹行 壹 = yī,与「一」同声同调;行跟着读成 háng(实测 5/5)

规则表在 scripts/pronunciation.py,synthesize_narration.py 送进引擎前套用,
口播稿、字幕表、画面契约一个字都不改,观众听到的仍是「行锁」「一行」。
每次合成还会把真正送进引擎的那份文本留底成 *.spoken.txt(媒体产物,不入库)。

「一行」只在独立成词时替换——「每一行」「哪一行」「同一行」里它是词的一部分,
而那三个词本来就念 háng,碰了就把对的改成错的。

⚠️ 换稿必须重新定标

pitch / speed 是相对参照稿标定的。口播稿换了(字数、断句不同),语速和
音高分布都会变,直接套用会偏。

重新定标方法(规范文档 §2.1):

  1. 测参照稿的基频 F0 中位、F1/F2 共振峰、频谱重心、语速
  2. 用候选音色合成同一段文本,跑同样的四项测量
  3. 按 |ΔF0半音|×3 + |ΔF1|/30 + |ΔF2|/120 + |Δ重心%|/5 + |Δ语速%|/4 排序
  4. 在真实口播稿上做 speed × pitch 网格微调,收敛到时长与语速都对得上

这把尺子:scripts/measure_voice.py

cd aiv/voice
# 量参照稿
python3 scripts/measure_voice.py --path ../ddl-voiceover.mp3 --chars 226
# 量候选稿,并与参照稿逐项比
python3 scripts/measure_voice.py --path 候选.mp3 --chars 255 \
    --ref ../ddl-voiceover.mp3 --ref-chars 226

只认差值:本脚本的测量定义与当初定标时未必一致,绝对值不能直接对规范
§2.1 表里的数(脚本头部的表列了各处口径差异)。参照稿与候选稿用同一把尺子量,
看差多少。

定标:openGauss 并行逻辑解码(EP01 · 2026-11-12 改版)

口播稿 260 字(10 句),旁白落在 aiv/narration_pg-parallel-decode.mp3
(媒体产物,不入库)。

这一期按 openGauss 归属口径整期重做(稿子、契约、画面都换了),
所以旁白必须重新定标——上一版的 255 字稿与这一版不是同一段文本,
pitch / speed 的前提「相对参照稿标定」已经不成立。

在 pitch −1 / speed 1.33(即定稿参数)下合成三条实例,量出来挑最贴参照的那一条:

候选 时长 语速 Δ语速 F0 中位 ΔF0
参照稿 29.27 s 7.72 字/秒 — 118.1 Hz —
cand1(采用) 32.44 s 8.02 字/秒 +3.8 % 119.9 Hz +0.26 半音
cand2 32.00 s 8.12 字/秒 +5.2 % 115.9 Hz −0.32 半音
cand3 31.90 s 8.15 字/秒 +5.6 % 119.9 Hz +0.26 半音

结论:定稿参数不变(pitch −1 / speed 1.33),采用 cand1。
只看两项可靠指标,cand1 都在最好的一档:语速偏差最小(+3.8 %),
基频偏差 +0.26 半音(与 cand3 并列最小),远在合成抖动带(±0.69 半音)之内。

为什么这一版的语速看着比参照稿快:稿子里的拉丁词多——
openGauss、reader、WAL、worker、walsender 合计 51 个拉丁字符。
字数口径按字符数算,一个拉丁字母被当成了一个字,可它念起来比汉字快得多,
于是「字/秒」这个比值被抬高。这是口径的偏差,不是语速真的快了。
这与下面 EP02 那条注记是同一个道理,只是方向相反(那边拉丁词多、比值显得偏低)。

两点必须记住:

  • F1/F2 对选参没有影响。它由声道长度决定,同一个音色下不随 pitch / speed 变,
    只在换音色时才有区分度。
  • 合成不是确定性的。同参数连合成三次,时长相差 ±3.3 %、语速 ±0.24 字/秒、
    F0 ±0.69 半音。所以定标要挑「量出来最贴参照的那一条实例」,
    别把参数当成能复现出同一条音频的承诺。

定标:CSN 全序(EP02)

口播稿 267 字(10 句),旁白落在 aiv/narration_csn-total-ordering.mp3
(媒体产物,不入库)。

同样的做法:定稿参数不变,合三条实例,量出来挑最贴参照的那一条。

指标 参照稿 EP01(2026-11-09 版) EP02(采用)
时长 29.27 s 33.16 s 35.32 s
语速 7.72 字/秒 7.69(−0.4 %) 7.56(−2.1 %)
F0 中位 118.1 Hz 118.3(+0.03 半音) 114.7(−0.50 半音)
频谱重心 1184 Hz 1518(+28 %) 1435(+21 %)

表里的 EP01 是 2026-11-09 那一版的数字;EP01 已于 2026-11-12 改版重定标,
见上一节。EP02 这一列是它自己当时的定标结果,不受影响。

三条候选的排序分在 8.06 ~ 8.19 之间,差距主要来自频谱重心——
而重心由文本内容决定,不能当选参依据。只看可靠的两项(语速、基频),
候选 2 最好:语速 −2.1 %、基频 −0.50 半音。

也试了 speed 网格(1.35 / 1.37):语速分别落在 −5.5 % 与 −3.5 %,
还在合成随机性的抖动带里(见下),没有比 1.33 更好,所以参数不动。

EP02 的语速比当时的 EP01 略低是合理的:这期稿子里的拉丁词多
(openGauss、CSN、PostgreSQL 18),而字数口径按字符数算,
字母多的词被算成了好几个字,实际语速比这个比值看起来要快。

为什么必须挑实例:合成不是确定性的。同一参数连合成三次,
时长相差 ±3.3 %、语速 ±0.24 字/秒、F0 ±0.69 半音。
定标要挑「量出来最贴参照的那一条实例」,别把参数当成能复现出同一条音频的承诺。

定标:WAL 顺序(EP03)

口播稿 254 字(10 句),旁白落在 aiv/narration_wal-interleave.mp3
(媒体产物,不入库)。

同样的做法:定稿参数不变(pitch −1 / speed 1.33),合三条实例,量出来挑最贴参照的那一条。

候选 时长 语速 Δ语速 F0 中位 ΔF0
参照稿 29.27 s 7.72 字/秒 — 118.1 Hz —
cand1 34.70 s 7.32 −5.2 % 119.4 Hz +0.19 半音
cand2(采用) 34.60 s 7.34 −4.9 % 117.2 Hz −0.13 半音
cand3 33.84 s 7.51 −2.8 % 121.7 Hz +0.52 半音

cand2 采用:基频偏差 −0.13 半音是三条里最小的(几乎正中参照),
语速偏差 −4.9 % 与上一轮采用的 cand3(−4.5 %)同一水平;综合分 7.558 也最低。
cand3 的语速偏差更小(−2.8 %),但基频偏了 +0.52 半音。

这一轮重定标是因为读音修复(见下):稿子里的「一行」被这个音色念成 xíng,
合成时换成了等音的「壹行」,所以要重挑一条实例。

这期的 Δ语速 看着小,其实是口径造成的:稿子里拉丁词多
(WAL、ReorderBuffer、LSN、CSN、openGauss、spill),
字数按字符数算,一个拉丁字母被当成一个字,可它念起来比汉字快得多。

定标:并行 apply(EP04)

口播稿 251 字(10 句),旁白落在 aiv/narration_parallel-apply.mp3
(媒体产物,不入库)。

候选 时长 语速 Δ语速 F0 中位 ΔF0
参照稿 29.27 s 7.72 字/秒 — 118.1 Hz —
cand1(采用) 35.42 s 7.09 −8.2 % 119.9 Hz +0.26 半音
cand2 36.18 s 6.94 −10.2 % 116.8 Hz −0.19 半音
cand3 36.00 s 6.97 −9.7 % 114.3 Hz −0.57 半音

cand1 采用:语速偏差 −8.2 % 是三条里最小的,基频 +0.26 半音也在抖动带内。
cand2 的基频更贴(−0.19),但语速掉到 −10.2 %,比 cand1 差一截——
两项都可靠时,语速先保。

这期的 Δ语速 明显偏大(−8.2 %),但不代表念慢了:
稿子里有 apply worker、1000、10、1GB 这类拉丁词与数字,
它们按字符数被算成了好几个字,比值因此被拉低。

定标:结构化 DDL(EP05)

口播稿 260 字(10 句),旁白落在 aiv/narration_structured-ddl.mp3
(媒体产物,不入库)。

候选 时长 语速 Δ语速 F0 中位 ΔF0
参照稿 29.27 s 7.72 字/秒 — 118.1 Hz —
cand1 36.90 s 7.05 −8.8 % 121.7 Hz +0.52 半音
cand2(采用) 34.13 s 7.62 −1.3 % 115.5 Hz −0.38 半音
cand3 36.50 s 7.12 −7.8 % 119.4 Hz +0.19 半音

cand2 明显最好:语速偏差只有 −1.3 %(三条里唯一进入 ±2 % 的),
基频 −0.38 半音也在抖动带内。它是这一季定标里语速最贴的一条。

定标:行锁(EP06)

口播稿 275 字(10 句),旁白落在 aiv/narration_row-lock.mp3
(媒体产物,不入库)。

第二季第一期。同样的做法:定稿参数不变(pitch −1 / speed 1.33),
合三条实例,量出来挑最贴参照的那一条。

候选 时长 语速 Δ语速 F0 中位 ΔF0
参照稿 29.27 s 7.72 字/秒 — 118.1 Hz —
cand1 35.71 s 7.70 −0.3 % 120.3 Hz +0.32 半音
cand2 35.14 s 7.83 +1.4 % 126.0 Hz +1.12 半音
cand3(采用) 35.17 s 7.82 +1.3 % 120.8 Hz +0.39 半音

cand3 采用:基频偏差 +0.39 半音比 cand2 的 +1.12 小得多(后者偏出抖动带),
语速偏差 +1.3 % 也在正常范围;综合分 9.061 最低。
cand1 的语速偏差最小(−0.3 %),但基频 +0.32 半音比 cand3 略差。

这一轮重定标是因为读音修复(见下):稿子里的「行锁」被这个音色念成 xíng,
合成时换成了等音的「航锁」,所以要重挑一条实例。

这期的 Δ语速 是正的(念得比参照稿略快),与前几期偏负不同——
稿子里的拉丁词少(MVCC、KEY SHARE、EXCLUSIVE、MultiXact 之外
基本都是中文),按字符数算出来的比值没被拉丁词拉低。
口播里有一句特别长(「PostgreSQL 18 源码里,锁藏在元组的 t_infomask 和 xmax 里。」,
视觉宽度 29),念它的时候不能赶。


文章作者: growdu
版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 growdu !
这篇还发到了
今日头条 drafted
  目录