同一批文本用 dots.tts 合成时音色忽高忽低，通常不是模型在“随机发挥”，而是输入侧或采样参数侧没有被锁死。多数情况可以把排查压缩成两步：先确认参考音频文件本身没有变，再把随机种子和其他影响音色的参数固定下来。只有这两步都做完、同一文本连续合成仍然明显换人，才值得考虑换参考音频或调参数。

音色漂移先查输入，再查参数。操作上建议做两件事：用哈希确认所有合成调用的是同一份参考音频（不要只比文件名），并把 seed、temperature、top_p、speed 这类字段固定写进配置。验证方式是同一文本、同一参考音频连续合成 3 次，看听感是否收敛。若 3 次稳定、只在换参考音频后变化，问题在输入侧；若参数固定后仍发散，再回到参考音频质量和接口参数范围上找原因。不同版本接口的参数名和可用项可能不同，需要结合实际环境确认。

不同 dots.tts 版本对外暴露的参数差异较大，下面给的字段是通用命名，是否支持、叫什么名字，要以你实际调用的接口或命令行工具为准。排查时建议一次只动一个变量，否则音色变化会同时指向参考音频和参数，最后没法归因。

检查参考音频是否来自同一人、同一设备和同一段落

参考音频是音色最直接的来源。音色变了而参数没动，第一件事就是比对参考音频。文件名相同不代表内容相同：重新剪过、重新导出过、换了采样率，都会让模型拿到不同的音色提示。可以按下面五项逐条过一遍。

• 采样率：用 ffprobe 或 sox `--i` 看实际采样率与位深，确认这批合成都取自同一份文件，而不是同名但被重导出的版本。
• 底噪：听是否有新增的电流声、房间混响、背景人声。底噪变了，模型可能把噪声特征一起带进音色里。
• 时长：参考音频过短时音色信息不足，过长则容易把多种情绪一起带进去。建议固定一个自己验证过的时长区间，并写进记录。
• 语速：同一人快读和慢读，合成出来的节奏感会跟着偏，容易被误判成音色变了。
• 情绪：平静叙述和带情绪朗读的参考音频，通常不能混用作同一批合成的基准。

# 确认参考音频内容没被替换：比哈希，而不是比文件名
sha256sum refs/speakerA_01.wav

把哈希写进参数记录表后，下次音色变化时就能立刻分辨是“文件换了”还是“参数被改了”。

固定随机种子和会影响音色的参数

参数固定是第二道闸门。下面是一个通用配置骨架，字段名和是否支持需要以实际接口为准，不要照抄不存在的参数。

# 通用参数骨架，字段名以实际接口为准
reference_audio: refs/speakerA_01.wav   # 固定，并记录哈希
text_file: texts/t-001.txt
seed: 1234                              # 固定随机种子
temperature: 0.6                        # 越低越稳，取值范围看接口说明
top_p: 0.9
speed: 1.0
output: out/t-001_run1.wav

seed 是否真的生效需要验证：同一个 seed 跑两次，输出听感应基本一致。如果接口不暴露 seed，能做的就只有固定参考音频、把 temperature 和 top_p 调低，波动范围会收窄但不会归零。speed 这类影响时长的参数也建议固定，它会改变音素的时长分布，听感上很容易被当成音色变化。

用同一文本做多次合成对照

固定好输入和参数后，用同一段文本连续合成 3 次，把“随机波动”和“输入变化”分开。这三次里参考音频和种子都不动，只重跑，记录每次的听感差异和可复现性。

# 示意命令，实际调用方式以所用接口或 CLI 为准
for i in 1 2 3; do
  tts_cli `--ref` refs/speakerA_01.wav \
          `--text` texts/t-001.txt \
          `--seed` 1234 `--temperature` 0.6 \
          `--out` out/t-001_run${i}.wav
done

如果三次都落在同一音色区间内，只是咬字轻重、停顿位置略有不同，通常属于可接受的随机波动；如果三次里出现明显换人、音高整体偏移或底噪不同，就要回到参考音频那一步。复现性还要跨时间验证：隔一天或换一台机器，用同一个 seed 和参考音频再跑一次，看听感是否回到同一区间。

在参数记录表里标注每次改动

排查音色问题最容易被忽略的是记录。参数改过、参考音频换过、文本换了编号都没有留痕，最后只能凭印象归因。建议每跑一批就写一行，字段可以用下面这组。

ref_hash        ref_file          seed   temperature  top_p  speed  text_id  output               score
a1b2c3...       speakerA_01.wav   1234   0.6          0.9    1.0    t-001    out/t-001_run1.wav   4

• ref_hash / ref_file：参考音频的哈希与文件名，用来判断输入是否被替换。
• seed / temperature / top_p / speed：本次实际生效的值，不是配置文件里的默认值。
• text_id：文本编号，便于同一句话反复对照。
• output：输出文件名。保留原始文件，不要只留覆盖后的最新版本。
• score：主观评分，用 1-5 这样的粗粒度就行，关键是前后标准保持一致。

对照时一次只改一个字段。同时换了参考音频和种子，等于把两个变量混在一起，之后没法判断是哪一项导致音色变化。

确定音色一致性的可接受边界

批量合成前建议先定一个停手标准，避免边跑边调、越调越乱。通常可以这样划：

• 可接受：同一参考音频、同一 seed 下，多次合成只在停顿和轻微咬字轻重上有差别，听不出换人；批量输出前后衔接自然，不需要逐条返工。
• 需要观察：连续几条里节奏或音高有轻微浮动，但不影响语义和音色身份。先把这批输出留着，扩大抽样再判断。
• 必须回退：出现明显换人感、性别或年龄感改变、整体音高偏移、新增底噪或混响、咬字异常。这类情况先回到参考音频检查清单，再确认种子和 temperature 是否被改动过。

停手标准要结合业务容忍度来定：有声书和客服播报对音色一致性的要求不一样，前者往往更敏感。把标准写下来，配合参数记录表使用，音色漂移才会从“感觉不稳”变成可以定位的具体项。