语音合成的文本前端做哪些事？念错的源头

一段文字交给 AI 语音合成，念出来的每个字在开口之前都先经过一层处理，这层叫文本前端。多数「念错字」的问题——多音字读错、专有名词念岔、数字读法不对——根源都在这里，而非后面的声学模型。看懂这层做了什么，遇到合成错误就知道该改哪里。

它在合成链路里的位置

完整的合成链路大致是：文本进前端，前端输出带注音和韵律标记的中间表示，声学模型据此生成声学特征，最后由声码器还原成波形。前端承担的是「读懂文字」的任务，后面环节只管照着念。可以把它想象成配音导演的案头准备：先读稿、查读音、划停顿，然后才轮到发声。前端把音标错了，后面的模型只会把这个错音念得更像，错误会被一路放大而非拦截。声学模型和声码器一篇讲过后两环的分工，本文聚焦第一环。

第一件事：分词

中文没有天然空格，分词是前端的第一道工序。「南京市长江大桥」切错了位置，读出来的停顿和语义都会歪。分词还影响后续一切判断：多音字按词定音，「行」在「银行」和「行走」里读音不同，切错词就会读错音。数字和字母的读法也在这层定下来：「2026 年」念「二零二六年」还是「两千零二十六年」，英文缩写按什么规则展开，都由前端的归一化逻辑决定。

第二件事：注音与消歧

定音是最容易出错也最容易被注意到的一步。多音字靠上下文消歧：「重庆」的「重」念 chóng 不念 zhòng，「长春」的「长」念 cháng 不念 zhǎng。模型按统计规律猜读音，常见组合没问题，冷门搭配和人名地名最容易翻车。

兜底手段是发音词典：把确定读音的词和字直接写进表里，命中就按词典来，不靠模型猜。这也是修错的主要途径——热词机制把专有名词的读音固定下来，热词一篇讲过它在识别侧的用法，合成侧同理。

第三件事：标点与韵律预测

前端还要决定停顿、语调和重音，这些属于韵律范畴，细节见什么是韵律。同一句话，逗号位置不同，念出来的节奏完全两样；标点对合成的影响在标点影响语音合成里有专门讨论。写文案给 TTS 念时，调整标点常常比换模型更能立竿见影。

念错字了，该修哪里

判断逻辑很简单：读音错了，改文本或补热词；节奏和语调不对，改标点、改断句。豆包的朗读功能遇到念岔的多音字，把单字换成词组（如把「长」换成「长远」）是省事的绕法；用 DeepSeek 这类模型先把待念文案按朗读习惯重写一遍，也是常用预处理。极少数情况下才需要动发音词典——那通常意味着专业领域词汇成批出现。

合成报错排查三层

• 读音错：查多音字，补热词或改写成词组
• 停顿怪：查标点和断句，手动加顿号
• 语调平：改写句式，长短句交替

为什么这层值得创作者了解

配音工作流里，文本前端决定了「改稿的性价比」。同样的错误，在前端修是一行字的事，重跑模型、换工具都是浪费时间。把「读音错找词典、节奏错找标点」这套对应关系记住，TTS 出活的速度能快一截。

文本前端快问快答

• 为什么同一段文字换工具念，错误不一样？：各家的前端实现和发音词典覆盖不同，同一个多音字在 A 工具对了，在 B 工具仍可能错。
• 生僻字一定念错吗？：不一定，但没进词典又少见的字风险高，稳妥做法是提前试听或换成同义常用词。
• 前端能修语速和音色吗？：语速部分归前端控制，音色属于声学模型和音色系统的事，两个旋钮要分开拧。