文本转语音实用指南：选音色、断句与多音字
同样的文本，不同的处理方式，听感天差地别。掌握音色选择、标点断句和文本预处理三个细节。
2026-08-18 · 约 3 分钟读完
作者：何屿（CPCX 撰稿人 · 图像与影音）
我拿一段含六个多音字的稿子试了四种音色，两个把「重」读成了 chóng。后来我在稿子里手动标了拼音，问题才彻底消失。这篇里那张多音字清单就是那次试出来的。
先选对音色，再谈其他
音色决定内容的第一印象。选音色的经验法则很简单：口播、知识类内容选沉稳清晰的中音；轻松、情感类内容选年轻明亮的声音；广告和宣传片选有张力的声音。工具里的「音色设计」还可以用一句话描述你想要的声音，比如「温柔的年轻女声，语速偏慢，适合讲睡前故事」。
标点就是呼吸
TTS 模型靠标点断句。同一个长句，有逗号和没逗号的停顿感完全不同。给 TTS 的文本建议主动「剪辑」：长句手动拆成短句，关键信息前后加逗号制造停顿，段落之间空一行。
需要强调的词，前后加破折号或把句子改短，比堆叹号有效——连续叹号只会让整体语调变得亢奋。
数字和英文缩写建议展开写：「2026 年」比「2026」读得更稳，「AI」在部分音色里读法不稳定，可写成「A I」。
多音字与专有名词
中文多音字是 TTS 的经典难点。发现读错时，最简单的修法是换一个读音正确的同义词，或用拼音标注引导。专有名词、品牌名同理：模型读不顺的名字，用近音字微调一下拼写往往就解决了。
「音色复刻」场景还要注意一点：训练素材越干净（无背景音、单一人声、时长充足），复刻效果越好，这是决定复刻质量的最大变量。
发布前的最后一遍听审
合成完不要直接发布，用 1.5 倍速听一遍——倍速下不自然的停顿和错读会被放大，很容易暴露。修完这两处，成品的完成度会明显高于大多数人直接发布的版本。
数字、缩写和符号，别指望模型猜对
语音合成最常见的翻车点不是音色，是「它读错了但你不知道」。中文数字的多义、英文缩写的读法、符号的展开方式，模型默认按训练数据里最常见的那个读法处理，而多数时候不会提醒你。
可行的做法是把易错的部分在文本里写全：想让它读成什么，就直接写成什么。文本长一点没关系，多这一段比重合成一次省事得多。
另外，括号里的补充说明常被整段吞掉或读得含糊，正式音频里建议直接去掉括号，把内容展开成一句话。
- 「2026 年」→ 写成「二零二六年」还是「两千零二十六年」，自己决定后写死；
- 「5G」「AI」→ 中文语境一般写「五 G」「A I」，避免被读成英文整词；
- 「%」「℃」→ 写成「百分之」「摄氏度」；
- 「3.5 万」→ 写成「三万五千」，小数在语音里容易听错；
- 专业名词 → 在文本里加一个同音标注，或改用不会被误读的通俗说法。
这篇教程里的真实产出
没有标点的原文直接合成（站内导出）
多音字和断句全靠模型猜，听感发紧——这也是多数人第一次用 TTS 的默认结果。
同一段文本加上标点、把数字展开之后
停顿有了呼吸感，古诗的节奏也对了。两段音频对着听，能听出「标点就是呼吸」这句话的意思。