用 Kaldi 音素序列验证 TTS 发音,破解多音字试听难题
dotey · x · 2026-10-22
goldengrape 发布并在 muse.ai 上验证了一套可复现方法：用 Kaldi 语音识别检验 TTS 对多音字、生僻字的读音是否正确，解决人工试听不可靠、不可规模化的问题。
核心思路：不看识别器输出的汉字（词级识别受语言模型影响，错音可能仍输出「看起来对」的词），而是读取声学解码路径上的音素（phoneme）序列，与目标字的正确读音逐项比对。文章以检验 TTS 是否把「攒竹穴」的「攒」读成 cuán 而非 zǎn 为例贯穿。
要点：
- 环境：Linux x8664，CPU 即可，约 4 GB 内存、4 GB 磁盘
- Kaldi 用 conda-forge 的现成 CPU 构建安装，避免源码编译数小时且易失败；LDLIBRARYPATH 须包含 $EL/fst 否则报 OpenFST 插件错误
- 声学模型用 Vosk 中文大模型 vosk-model-cn-0.22（本质是打包好的 Kaldi chain 模型）；不要用小模型，其 lookahead 私有格式解码图会让上游 Kaldi 解码器段错误
- 音频统一转 16 kHz 单声道，测试句中目标字最好出现两次以上便于互证
dotey 转发确认该方法验证可行，文章称可将全文交给 AI agent 完成配置。
「编程与Agent」频道最新
- 猫坐键盘搞崩欧洲航天局系统，无人值守 Agent 再敲安全警钟 — vincent_koc · 2026-10-22
- AI 补丁速度须跟上攻击：工程师只处理需要判断的少数案例 — saranormous · 2026-10-22
- TraceForge:零闭源 token 合成思维链,超越 Claude 原生 trace — IndependentResearcher121 · 2026-10-22
- Internet Archive 遭 PHP 漏洞攻击，用 Claude 一夜完成修复 — kingslyj · 2026-10-22
- Ghidra + AI 逆向工程 + WebGPU 组合爆火，被称「完全的复兴」 — thursdai_pod · 2026-10-22
- AI 写码时代可观测性更关键：agent 把业务逻辑挪到了运行时 — mipsytipsy · 2026-10-22