dots.tts 读数字串音，先别急着换模型或改音素输入，而要用三类数字文本把问题定位到文本预处理层还是音素/发音输入层。通常文本规范化负责“切分与读法选择”，音素层负责“发音单元”：前者出问题的症状是整串连读成一个大数、分组错位、单位词和小数点丢失；后者出问题的症状是切分对了但单字发音怪、声调或重音不对。先做复现，再决定改哪一层。

判断顺序：先用金额、年份、电话号码三类文本各做一次复现，确认串音是集中在特定数字结构还是所有长数字；再只改文本层（写成汉字读法、按 3-4-4 分组）重合成同一句。若输出变正常，问题在文本规范化；若分组正确但逐字发音仍不对，才考虑音素或发音词典入口。若项目没有暴露音素接口，不要硬改，只记录文本层覆盖不到的边界，并在文本侧用回退写法绕过。

用金额、年份、电话号码各做一条复现文本

三类数字的结构不同，暴露的问题也不同，所以不要混在一段里合成，逐条单独跑，并记录送入 TTS 的字符串。

执行时把每条文本单独合成，不要连续放在一段里，因为上下文可能影响数字判定。下面的命令只是示意，请按你项目实际的调用入口替换：

# 逐条合成，观察串音是否只集中在某类数字结构上
for t in "订单金额12345.67元" "2024年3月发布" "联系电话13800138000"; do
  echo "=== INPUT: $t"
  dots-tts `--text` "$t" `--out` "/tmp/out_$(echo "$t" | md5sum | cut -c1-8).wav"
done

如果项目有 debug、verbose 之类的开关，打开后把“规范化之后的文本”一起打出来。看不到这一步，就只能靠听回放判断，定位会慢很多。三类文本里只要有一类稳定复现、另一类正常，就说明问题集中在特定数字结构，而不是整套数字处理都坏了。

只改文本规范化再合成同一句

把 2024年 显式写成 二零二四年，把 13800138000 按 3-4-4 分组为 138 0013 8000，其他参数（音色、语速、采样率、模型版本）全部保持不变，再合成同一句。这一步只动文本，不动模型，能直接判断问题是否出在文本层没切分好。

import re

def normalize_for_tts(text: str) -> str:
    # 年份：显式写成汉字，避免被当作基数词
    text = re.sub(
        r"(\d{4})年",
        lambda m: "".join("零一二三四五六七八九"[int(c)] for c in m.group(1)) + "年",
        text,
    )
    # 手机号：按 3-4-4 分组，插入空格作为停顿
    text = re.sub(r"\b(\d{3})(\d{4})(\d{4})\b", r"\1 \2 \3", text)
    # 金额：小数点改读作“点”，整数部分保留分组
    text = re.sub(r"(\d+)\.(\d+)", r"\1点\2", text)
    return text

最小修改验证步骤可以固定成下面这几步，便于换句子重复：

1. 取一条串音最明显的原句，先原样合成一次，留作对照。
2. 只改数字写法（汉字读法或 3-4-4 分组），其他参数不动，再合成一次。
3. 逐字听回放，记录哪一类数字变正常、哪一类没变。
4. 对没变的那一类，换第二种文本写法（例如把空格换成逗号或逐位汉字）再试一次。
5. 用一两句不含数字的文本做回归，确认改动没有影响普通句子的读法。

边界要留意：文本规范化改变的是送入模型的内容，同形数字可能被连带改掉，例如版本号 3.10.2、带区号的长串，改完要专门回归。如果三类都变正常，问题基本在文本层；如果年份正常而电话仍连读，说明分隔符没被识别，继续在文本层内换分组写法。

检查音素或发音词典入口是否存在

先在配置、README、启动参数或代码里找 phoneme、pinyin、g2p、lexicon、pronunciation dictionary 这类入口，确认项目是否允许绕过文本、直接给发音单元。

如果项目确实暴露音素或拼音输入，就对同一句话做一次文本入口与音素入口的对照：音素序列按正确读法标注，比较两次输出。若音素入口正确、文本入口错误，重点应放回文本规范化或 G2P 词典，而不是继续换模型。如果只暴露文本入口，就不要硬编接口，只记录文本层试过哪些写法、哪些数字结构仍然不行，把这些当作边界交给维护者。另外，部分 TTS 支持在文本里插入逗号、空格或竖线来强制断句，这仍属于文本层手段，可以先试。

建立数字读法的优先级规则

为了后续内容生产有固定改法，建议按数字类型分别约定首选与回退写法，同一份内容里对同类数字保持同一种写法，避免同一篇文章里金额时而汉字时而阿拉伯数字，导致读法不一致。

执行顺序保持“先文本层、后音素层”：文本层优先用显式汉字，因为它不依赖模型对分隔符的支持；分组写法作为次选，遇到模型不认空格时再退回汉字。只有确认项目暴露音素或发音词典入口时，才把个别的顽固读法下沉到那一层处理，其余情况都在文本侧解决，并把无效写法记录下来，作为下一轮调整的依据。