能跑出 wav 文件，只说明推理链路走通了，不代表输出正确。Ming-3.0 这类语音模型把采样率、声道数、时长这些参数分别放在推理配置和写文件两端，任意一端的默认值不同，听感就会变成“发闷”“语速偏快或偏慢”“尾音被吃掉”。判断是否正常，不看有没有音频文件，而是把输出侧参数读出来，与输入逐项对照，再按输入长短分类记录时长比例，最后看首尾静音和截断位置。

输出是否正常的判断口径：先用 ffprobe 或 soxi 读出输出采样率、声道、时长，与输入逐项比对；再按短、中、长三档输入记录输出/输入时长比例，看偏差是否随输入长度变化；首尾静音段异常或尾部出现成片零值，通常指向截断或补零。同一输入固定 seed 跑两次仍不一致，先归因随机性，再回到配置。以上都需要结合具体环境和配置确认，不能按单一文件的听感下结论。

把输出音频的参数读出来与输入逐项对照

这一步的目的很直接：确认推理链路有没有在输出侧偷偷改动采样率或声道。不要在播放器里靠耳朵判断，先读文件头。下面几条命令按你手头工具选一条执行，out.wav 换成实际输出文件，in.wav 换成对应的输入文件。

# 方式一：ffprobe
ffprobe -v error -show_entries stream=codec_name,sample_rate,channels,duration \
  -of default=noprint_wrappers=1 out.wav

# 方式二：sox / soxi
soxi -r -c -D out.wav

# 方式三：Python 标准库，不依赖第三方
python -c "import wave,sys; w=wave.open(sys.argv[1]); print(w.getframerate(), w.getnchannels(), w.getsampwidth(), w.getnframes()/w.getframerate())" out.wav

把输入和输出的读数并排填进下表，一行对一行，不要只看输出。

采样率不一致时，声音发闷和语速异常往往是同一个原因：数据按 A 采样率生成、文件头却写成 B 采样率。常见情形是配置里写了输出采样率，但写文件的代码没有把它传进去。声道不一致时，先确认模型输出维度，再确认写文件时是否做了扩展。这两项没对齐之前，先不要去调音质相关的参数。

记录输入时长与输出时长的比例关系

单个文件的时长对不上，可能是静音裁剪、也可能是长度限制或分块逻辑。更有效的做法是按输入长短分档各记一条，看比例是否稳定。建议准备三档输入：短档一句话或几个字，中档一到两段，长档接近你实际使用的最长文本。

import subprocess, time, wave, json

def dur(p):
    with wave.open(p) as w:
        return w.getnframes() / w.getframerate()

cases = [("short", "in_short.wav"), ("mid", "in_mid.wav"), ("long", "in_long.wav")]

for tag, inp in cases:
    out = f"out_{tag}.wav"
    t0 = time.time()
    subprocess.run(["python", "infer.py", "`--input`", inp, "`--output`", out], check=True)
    wall = time.time() - t0
    di, do = dur(inp), dur(out)
    print(json.dumps({
        "case": tag, "in_sec": round(di, 3), "out_sec": round(do, 3),
        "ratio": round(do / di, 3) if di else None, "wall_sec": round(wall, 2)
    }, ensure_ascii=False))

把三行结果记下来，重点看两件事：短档比例明显小于中长档，通常指向首尾静音被裁或短输入触发最小长度限制；长档比例明显下降，通常指向长度上限、分块拼接丢帧或尾部缓冲没写完。比例在三档之间基本一致但整体偏离，则更可能是采样率或时长字段写错，回到第一节核对。记录时同时写下输入文本字数、语言、是否带标点，便于判断偏差是否只出现在某一类输入上。

检查输出首尾的静音段与被截断的位置

时长对不上时，差异大多集中在首尾。这里不需要具体框架的接口，只要能拿到采样点序列，按固定窗口算能量即可。观察点是三个：从第 0 帧到第一个超过阈值的窗口（首部静音长度）；从最后一个超过阈值的窗口到文件结束（尾部静音长度）；尾部是否出现成片恒定零值。

def frame_energy(samples, sr, win_ms=20, thresh=1e-3):
    n = max(1, int(sr * win_ms / 1000))
    frames = [samples[i:i + n] for i in range(0, len(samples) - n + 1, n)]
    energy = [sum(abs(x) for x in f) / len(f) for f in frames]
    voiced = [i for i, e in enumerate(energy) if e > thresh]
    if not voiced:
        return "全静音或阈值偏高"
    head = voiced[0] * win_ms / 1000
    tail = (len(frames) - 1 - voiced[-1]) * win_ms / 1000
    return {"head_silence_sec": round(head, 3),
            "tail_silence_sec": round(tail, 3),
            "total_sec": round(len(frames) * win_ms / 1000, 3)}

# 调用示例：读出 samples 后分别对输入、输出各算一次，再并排比较
# print(frame_energy(samples_in, sr_in))
# print(frame_energy(samples_out, sr_out))

首部静音明显长于输入，多半是生成端加了前置填充；尾部静音长且能量恒为零、长度刚好凑到某个整数值，通常是补零补齐，而不是模型真的输出了静音。真正被截断的表现是：最后一个有声窗口之后很快结束，且末尾波形有明显跳变或不自然的衰减。这三种情况处理方向不同，补零不用改模型参数，改的是写文件时的长度处理；截断则要回到长度上限和缓冲写入逻辑。阈值需要结合你的音频电平确认，安静录音把阈值调低，否则会把正常弱音判成静音。

用同一段输入重复跑两次并比对

确认参数和时长之后，还剩一种情况：同一段输入，两次结果听起来不一样。这时要先分清是采样随机性，还是配置在两个进程里读到了不同值。做法是固定输入和 seed，输出到两个文件，再比对。

# 两次运行，除输出文件名外其余参数完全一致
python infer.py `--input` demo.wav `--output` run1.wav `--seed` 1234
python infer.py `--input` demo.wav `--output` run2.wav `--seed` 1234

# 比对方式一：时长与文件特征
ffprobe -v error -show_entries stream=sample_rate,channels,duration \
  -of csv=p=0 run1.wav run2.wav

# 比对方式二：逐采样点最大绝对差（同采样率、同长度时可用）
python -c "import wave,struct;\
import sys;\
A=wave.open('run1.wav'); B=wave.open('run2.wav');\
print('len', A.getnframes(), B.getnframes());\
print('rate', A.getframerate(), B.getframerate())"

比对顺序建议是：先比采样率、声道、总帧数，这三项不同说明不是随机性问题，直接回到前两节；三项相同再比首尾静音长度；最后比波形差异幅度。逐点比对时，同格式同长度的文件可以直接算最大绝对差，长度或格式不同就先不要做逐点差，先解释长度差。

出现差异时，记录内容建议固定为六项，便于后续判断：两次运行的完整命令行、seed 与温度等采样参数、输入文件的路径与时长、两次输出的时长与采样率、首尾静音长度差、最大波形差异幅度。如果两次结果在固定 seed 下仍有明显差异，通常说明该链路里存在未受控的随机源或未固定的一致性设置；如果固定 seed 后完全一致、换 seed 才变化，那属正常的采样行为，不需要改配置。记录模板建议每次排查都存一份，和输出文件放在同一目录，避免只凭听感来回判断。