检查Qwen-Audio-3.0-TTS这类文本合成语音的准确性，应围绕“能否无歧义还原文意”展开。建议把准确性拆成文本一致、发音正确、韵律自然、音频可懂四类问题，用自动化回读、人工听测和结构化对比来交叉验证。

合成音频的准确性检查建议采用“ASR回读过滤 + 人工核查重点项 + 批量对照清单”的组合。先用语音识别把合成音频转成文本，与原文逐字比对，剔除识别错误的干扰；再针对多音字、数字、英文、标点停顿、语速和音量做人工抽测。单条音频要从字音、语义和韵律三个层次判断，不能只靠一次听感。测试集先选20-50条覆盖边界情况的文本。

先明确“准确”的判定维度

TTS的“准确”不是单一指标：文本一致指是否漏读、多读、错读；字音正确指多音字、生僻字、数字、单位是否读对；韵律自然指停顿、重音和语调是否符合语义；音频可懂度指声音是否连续、有无破音或吞字。建议先写判定表，例如“文本一致性要求逐字匹配，韵律由两名以上听测人员打分合并”。这样可以避免把语音识别回读差异直接当成合成错误。

用语音识别回读做第一道自动过滤

把合成音频送入语音识别服务（Whisper、阿里云、讯飞等），让ASR转成文本，与原始文本做归一化比对。归一化包括统一大小写、数字写法和英文缩写。差异位置可用 diff 标出。通用伪代码如下：

# 伪代码：合成音频与ASR回读比对
origin_text = normalize("他买了5台iPhone 15 Pro")
asr_text = normalize(asr_recognize(audio_file))   # 送入任意ASR服务
import difflib
for line in difflib.ndiff(origin_text, asr_text):
    print(line)

ASR也可能有识别误差，差异需人工复核。如果ASR回读连续在同一位置出错，很可能是合成音读错；如果只是个别词被替换，也可能是ASR听错。更稳妥的做法是：用两个不同ASR服务各识别一次，取“两边都错”的位置作为高概率问题点。

人工听测：用结构化清单代替随感觉

自动过滤会漏掉韵律和语气问题，需人工听测。建议每个测试样本听两遍：第一遍对照原文，重点听关键信息是否清楚；第二遍闭眼听，判断声音是否自然、语调转折是否突然。可按以下清单逐项检查：

• 文本一致：有没有缺字、多字、字序错乱。
• 多音字：如“行”“长”“数”“重”是否根据上下文读对。
• 数字与单位：年份、电话、日期、金额读成单字还是整体；单位“％”“℃”是否念成“百分之”“摄氏度”。
• 英文与缩写：是逐字母念还是按单词念，中英混排是否切换自然。
• 标点与停顿：逗号、句号、冒号是否带来合理停顿，问句是否有升调。
• 语速与音量：是否过快过慢，关键字有没有被吞掉。

批量检查：用小测试集和对照标记表跑一轮

不建议一次性合成几百条再集中检查，可先用20-50条样本精测。下面是一个可复制的对照表结构：

每条音频记录“通过/不通过/存疑”并写出具体问题点。若同一类问题在多条样本出现，优先回看对应文本格式，如多音字前后缺少语境、英文缩写前后缺少空格等。修改原文后重新合成，再跑一遍同一组测试确认问题消失。

常见风险点与处理方式

合成失败的典型位置包括生僻字、特殊符号（℃、‰、¥）、长句中多音字上下文丢失、数字格式不统一、语速过快导致吞音、句尾音高异常。建议在测试集里专门加入这些样本。发现问题时，可先尝试改写原文：给多音字补充更明确上下文、把数字改成中文读法、增加标点让停顿更自然。若TTS提供字级时间戳，还可以核对每字的时间区间，检查是否漏字或重复。