同一段歌词前半段听着还行、后半段越来越糊，先把这件事当成单变量问题来处理：把歌词、风格标签、种子、步数和输出格式固定下来，本轮只改动一处和分段时长或采样相关的设置，重新生成一次做听感对照。如果缩短单段长度后后半段明显清楚，方向偏向长时长下的分段拼接与上下文衰减；如果缩短后照样糊，就要回头查采样设置、以及输出文件里有没有拼接痕迹。下面给的是可执行顺序和记录方式，不是一次就能定性的判断。

发糊更像“多因一果”，先固定输入、只改一项，再看输出文件的时长、采样率和波形上有无静音段与音量跳变。缩短单段长度后听感变好，优先怀疑长时长下的分段拼接；缩短后仍糊，则回到采样设置与实际代码库的参数命名逐项核对。结论要由你自己重跑的文件支撑，不同版本的参数名和默认值可能不一致，需要结合环境确认。

固定歌词与风格标签，只改一处参数做对照

把“发糊”归因到单一变量，靠的是这一轮除了一项之外所有输入都不动。建议固定的输入项至少包括：

• 歌词文本本身，包含换行和段落结构（中途改歌词等于换了输入）
• 风格标签 / genre 提示词，保持同一份字符串
• 随机种子 seed，以及采样温度、top-p、guidance / cfg、迭代步数
• 输出采样率、位深、声道数、输出格式
• 模型权重路径或版本号，避免中途换了模型还以为是参数问题
• 除本轮目标之外的所有分段相关设置，例如重叠长度、交叉淡化时长

本轮只允许改动的一项，建议从“单段时长”开始，而不是一次同时改采样率和分段长度。改完先记一行对照：输入标识、被改动的那一项及新旧值、输出文件路径、生成耗时。这样后面听感对比时，能按文件对应回唯一的变量。

在输出音频上确认是否出现分段拼接痕迹

先判断是拼接环节出了问题，还是模型生成本身后半段就弱。这一步不需要靠耳朵猜测，用工具看输出文件更直接。

先看总时长和采样率是否符合预期：如果总时长明显短于或长于你设定的段长之和，说明分段拼接或截断可能出了偏差。命令骨架如下：

ffprobe -v error -show_entries format=duration,bit_rate \
  -show_entries stream=codec_name,sample_rate,channels \
  -of default=noprint_wrappers=1 <输出文件>

再看波形上的拼接点：把音频导入任意可看波形的编辑器，观察后半段是否出现一段低电平静音，或者音量在某个时间点突然跳变。也可以用静音检测把候选拼接点标出来：

ffmpeg -i <输出文件> -af silencedetect=noise=-45dB:d=0.3 -f null -

如果检出的静音段位置大致落在你设置的单段时长整数倍附近，问题更可能在拼接或交叉淡化环节；如果波形连续、没有明显静音和跳变，但后半段依旧发闷，那就是生成侧的问题，需要回到参数和分段长度上查。

核对时长与采样相关设置各自的作用范围

影响后半段表现的设置不止一个，先分清哪些是通用采样参数、哪些必须按实际代码库核对。可以按下面的骨架整理自己那份配置：

• 通用采样参数（多数实现里含义相近）：温度、top-p / top-k、guidance 或 cfg 强度、迭代步数。它们影响整体生成质量，通常不是只影响后半段。
• 需要按代码库核对的分段参数：单段最长时长或 max tokens per segment、段间重叠长度、交叉淡化时长、段与段之间如何拼接 prompt。
• 需要按代码库核对的采样与输出参数：生成时的采样率、解码后是否需要重采样、最终写出文件的采样率。要确认重采样发生在哪一步，两处采样率写得不一致时，后半段更容易出现发闷的情况。

以上是说明骨架，具体默认值和取值范围请以你所用版本的实际代码或配置模板为准，不要直接照搬别人的数值。

缩短单段长度后重生成并做听感对比

要验证长时长是不是主因，就把单段长度调到明显更短的一档重跑，其余参数保持上一轮的固定值。重跑命令骨架：

python <推理入口>.py \
  `--config` <配置目录>/seg-test.yaml \
  `--lyrics` <歌词文件>.txt \
  `--seed` <固定种子> \
  `--out` <输出目录>/seg-<段长>.wav

每跑一档，按固定字段记录，避免听感记忆串档：

• 输出文件名与单段时长取值
• 总时长、采样率、声道数（用 ffprobe 读，不靠估计）
• 后半段听感：清晰 / 略糊 / 明显糊，以及主要表现是发闷还是断续
• 静音检测结果中拼接点的位置
• 是否与上一轮唯一变量不同，若不是则本轮记录作废

对比时建议按时间顺序把两三个文件连着听，而不是反复切同一段，后者容易受听觉适应影响。

把有效的参数组合写进配置文件

试出可用的组合后，把它固化到一份独立配置文件里，下次直接引用，不用再逐项回忆。字段名用你自己代码库里的实际键名替换占位符：

# seg-stable.yaml（占位符需替换为实际字段名）
model:
  weights: <模型权重路径>
  sample_rate: <生成采样率>
segment:
  max_duration: <单段时长，取缩短后较稳的一档>
  overlap: <段间重叠长度>
  crossfade: <交叉淡化时长，若该实现支持>
sampling:
  seed: <固定种子>
  steps: <迭代步数>
  guidance: <引导强度>
output:
  format: <输出格式>
  sample_rate: <写出采样率，确认与生成端一致>

验证方式很简单：用这份配置重跑一次，与固化前那次输出做对比，确认文件的总时长、采样率和后半段听感一致，并再跑一次静音检测看拼接点位置是否稳定。若两次结果差异明显，说明还有未写进配置的隐含默认值，需要继续补齐后再固化。