同一段文本合成出来前后音色不一致，参考音频过短和切句过碎都会造成类似现象，但两者的表现位置通常不同：参考音频太短时，飘移往往从开头就存在、整段都偏；切句太碎时，常常前几句还稳，越往后或越靠近句界越容易变。要分开判断，做法不是听整体，而是固定其他变量，一次只改一个，再把输出按段切开逐段对。

音色飘先别急着换模型权重。建议把文本、参考音频、参数、输出格式固定成一份基线，再分别做两组对照：只换参考音频时长、只换切句粒度。判断依据放在分段后的时长与电平曲线上，而不是整体听感。若两组都飘，多半是参考音频本身质量与文本切分共同作用，需要回到素材和切句规则重新整理；边界是这套排查只能定位差异位置，不能替你确认最终音色是否合格。

固定一次完整的输入与参数组合

先把可对照的起点固化。基线不固定，后面的两组对照没有意义。

• 文本：选一段 5-10 句的纯中文叙述，不含数字、英文缩写、括号、表情符号；两组实验都用同一份文本。
• 参考音频：准备一份已确认干净、单人、无背景音乐、无混响叠加的音频，作为基线参考。
• 参数：采样率、语速、温度、随机种子（若接口暴露）、情感或风格开关，全部写死并记录下来。
• 输出格式：wav，采样率与参考音频保持一致，避免重采样掩盖差异。

把这份组合写成一个可复用的配置或命令行，例如：

# baseline.env
TEXT_FILE=text.txt
REF_AUDIO=ref_base.wav
OUT_DIR=out/base
SAMPLE_RATE=24000
OUT_FORMAT=wav
SEED=1234
SPEED=1.0

基线跑一次，输出命名为 out/base/out_000.wav，并把这次运行的配置复制到 out/base/config.log。后面所有对照都拿它做参照。

只改参考音频时长做一组对照

这一组只允许参考音频这一项变化，文本、参数、输出目录结构都照抄基线。

两段音频的准备要求：

1. 音频 A（短）：从同一段源录音里截取较短的一段，截取点选在自然停顿处，避免把字尾切断。
2. 音频 B（长）：从同一段源录音里截取较长的一段，内容覆盖多个音节的连续语句。
3. 两段走同一套处理：单声道、去掉首尾静音、同一采样率。不要只处理其中一段，否则变量不止一个。

核对时长与格式，命令示例：

ffprobe -v error -show_entries format=duration -of default=nw=1:nk=1 ref_short.wav
ffprobe -v error -show_entries stream=sample_rate,channels -of default=nw=1 ref_short.wav
ffprobe -v error -show_entries format=duration -of default=nw=1:nk=1 ref_long.wav

输出文件命名要能一眼看出改的是哪一项：

out/ref_short/out_000.wav
out/ref_long/out_000.wav
out/ref_short/config.log
out/ref_long/config.log

跑完后，把两组输出摆在同一条基线上比。若 ref_short 整段都明显偏、ref_long 基本贴合基线，参考音频过短就是主因之一。若两组都飘且偏离位置相近，先别下结论，继续做第二组。

只改切句粒度做另一组对照

这一组把参考音频换成基线那一份（也就是上一组里表现较稳的那份），只改切句粒度。

切句规则可以按标点分三档，逐档跑：

• 粗粒度：按段落或按句号、问号、叹号切。
• 中粒度：按句号、逗号、分号切。
• 细粒度：在逗号基础上再按短停顿切，单段长度控制在若干字符以内。

切分脚本参数示例（按你实际使用的切分工具替换命令名，逻辑一致即可）：

split_text `--input` text.txt `--by` sentence `--max-len` 0 `--out` seg/coarse
split_text `--input` text.txt `--by` clause `--max-len` 60 `--out` seg/medium
split_text `--input` text.txt `--by` clause `--max-len` 20 `--out` seg/fine

中间文件必须保留，不要合成完就删。建议每个粒度目录下都留：

seg/coarse/segments.txt   # 段号、起止字符、原文
seg/coarse/manifest.json  # 段号 -> 输出片段文件名
out/coarse/seg_001.wav
out/coarse/seg_002.wav
out/coarse/merged.wav

segments.txt 与 manifest.json 是后面逐段比对时的对照凭据，缺了就只能靠听，判断会退回到主观。

把输出按段标记并逐段比对

音色飘的位置比飘不飘更重要。把每次输出的每个片段单独存一份，而不是只留合并后的整段音频。

分段标记方式：合成时按段调用，每段输出文件名带段号，例如 out/fine/seg_007.wav；同时在 manifest.json 里记录该段的字符区间与文本。merged.wav 只用于整体听感，不作为比对依据。

时长与电平比对方法，先记录客观量，不做主观音质结论：

for f in out/fine/seg_*.wav; do
  d=$(ffprobe -v error -show_entries format=duration -of default=nw=1:nk=1 "$f")
  echo "$f $d"
done

电平可以用 ffmpeg 的 volumedetect 输出每段的平均电平与峰值：

ffmpeg -i out/fine/seg_007.wav -af volumedetect -f null - 2>&1 | grep -E "mean_volume|max_volume"

把每段的时长和电平记进表里，再和基线的对应段比。观察点：从第几段开始偏离幅度变大；偏离是连续发生（越往后越偏），还是只在某几个句界附近跳变；同一段在两组的偏差方向是否一致。

这些都是可比对的客观量。音色本身像不像仍需人听，但先把偏离位置找出来，需要听的片段范围能缩小到具体几段。

写出排除顺序与记录结论

建议按下面顺序自查，每一步都有明确的判断依据，不要跳步。

1. 先固定基线。判断依据：基线配置完整，重复跑能得到结构一致的输出。
2. 先查参考音频。只改时长做对照。判断依据：短参考是否整段偏离基线；若是，优先解决参考音频的长度与质量。
3. 再查切句粒度。参考音频固定为较稳的那份，只改切句。判断依据：细粒度是否让偏离段数增多、偏离是否集中在句界附近。
4. 最后看两者叠加。若单独改任一项都不稳，说明参考音频与切句共同作用，先整理素材，再重定切句规则。

记录表格建议字段如下，一次实验一行：

结论只写能验证的部分：哪一项变化后偏离段数变多、从第几段开始偏。若两组都出现同类偏离，说明当前组合下音色一致性不足，建议先回到参考音频和文本切分整理，而不是在合成参数上反复试。这套排查的边界是定位差异来源与位置，最终音色是否可用仍需人工在小样上确认。