咬字清晰度

合成人声最常输在听不清词，问题多在辅音和字尾

相关

人声通俗唱法与话筒连奏

问题

合成人声被抱怨最多的不是音色假，是听不清词。旋律一快、音一高，辅音先没，字尾跟着丢，听众只能靠字幕。字幕能救一时，救不了发行。听众不会替你猜，也不会替你改。可懂度可以测，不必靠感觉，也不用等听众来告诉你。

原理

听懂一个词靠两样东西。辅音给出词的边界，爆破音和擦音集中在二到八千赫兹，短、弱、容易被伴奏盖住。辅音还分送气与不送气，中文的 b 和 p 就靠这一点分开。元音给出词的身份，靠共振峰的位置区分。合成模型训练时优化的是“像人声”，不是“像这句话”，于是把短促的辅音抹平，把词尾并进下一个音。中文还多一层，字调要和旋律走向对齐，否则字对了调不对，听着还是别扭。

做法

先做一版慢速、逐字的参考录音，确认每个字落在哪个音上。给每个字标上音高与时长，再让模型唱，比整句生成更可控。写旋律时把字调放进去，一声可以往上，四声别硬拉到高音。一句超过八个音节就拆，在换气处断。混音时二到五千赫兹别压太狠，混响短一点，预延迟给三十毫秒以上。测法很直接，找三个人盲听写词，错一个字就回去改那一句。再用手机喇叭听一遍，小喇叭最能暴露辅音不足。

听什么

在 Mandoline 里听法语鼻化元音怎么在快速音节中保持形状，在 Come Away, Death 里听英语辅音怎么起音，在 Erlkönig 里听同一个人怎么把三个角色的咬字分开。听不清时，先怀疑辅音，再怀疑混响。合成人声先输的，就是这几处。

事实来源

• 语音可懂度与共振峰的关系，依语音学通识核对，未抄原文
• Consonants, vowels and intelligibility, checked against general phonetics references, no text copied

仅用于核查事实，正文为原创撰写。