换音色做主观对比时，最容易出问题的不是音色本身，而是对照条件在两次生成之间变了：文本换了、语速调了、导出采样率不一致，听感差异就无法归因。要判断 SparkAudio 1.0 里哪个音色更合适，先把对照文本、语速、音量、采样率写死成一份配置，只让音色这一项变化，再用统一命名把音频文件与记录表对齐，最后盲听打分。整个过程不追求“测出最优音色”，只追求“差异来自音色而不是参数”这个前提站得住。

做音色对比时，建议把文本、语速、音量、采样率和导出设置固定成一份可复用的配置文件，只把音色作为唯一变量，并用「音色_参数_序号」命名文件和记录表逐行对应。判断是否可信的标准很朴素：同一批音频隔一段时间盲听复听，结论方向基本不变，才算初步可用。如果复听后结论反复横跳，先检查是不是参数或文本在两次生成之间被改过，不要急着下“某个音色更自然”的结论。适用前提是生成环境一致，跨机器或跨版本生成的样本不建议放进同一组对比。

选一段包含数字、英文和长句的对照文本

对照文本的作用是让不同音色在同一批难点上暴露差异，所以不要把文本写成一句顺口的日常话。下面这段可以直接抄进 prompt 文件，也可以按你的业务场景替换主语和名词，但数字、英文缩写、疑问句这三类结构建议保留。

第 3 批样品在 14:20 送到仓库，质检同事确认外箱完好后，
把温度记录仪取出来核对了 2 次，数据与系统里的批次编号能对上吗？
如果对不上，请把 MES 里的导出记录和纸质单据一起拍照发我，
我们按流程补录，再决定要不要重跑这一段。

上面这段约 100 字出头、4 个句子，建议你把实际长度控制在 60 到 150 字之间：太短听不出长句的停顿习惯，太长单次试听就很累，盲听时注意力会掉。写完之后自己数一遍字数和句数，把这两个数字记在记录表表头，后面复听换文本时会用到。

• 数字出现一次的理由：个位数、时间点、序数的读法规则并不一样，尤其“3 批”和“2 次”这种量词搭配，有的音色读得干脆，有的会拖尾。
• 英文缩写出现一次的理由：MES 这类词存在“逐字母读”和“按词读”两种处理，放到句中还能顺带听出中英切换处有没有明显的接缝感。
• 疑问句出现一次的理由：句末语调是主观听感里差异最明显的位置，有的音色在反问处会塌下去，听起来像陈述句，这一处最容易拉开差距。

长句本身也要留一处，因为断句位置是否自然，只有在从句多、修饰语长的句子里才听得出来。短句全部读得通顺，不代表长句也能处理得住。

把语速、音高等参数写成同一份对照表

对照表的作用是让“这次到底比的是什么”一眼可见。字段建议固定为这几列：音色、语速、音量（或增益）、采样率、生成时间。其中语速、音量、采样率、生成时间属于固定项，只记录不改动；变量项只保留音色一列。下表用灰色标出固定项，实际填写时把灰列复制到每一行即可。

如果你的接口还暴露音高、情感强度、随机种子这类参数，处理方式一样：全部写进固定列并记下取值，不要因为“想听听不同效果”顺手改一项。种子能固定就固定，很多听感差异其实来自采样随机性，而不是音色。

# 通用配置骨架，字段名以本地实际接口或页面参数为准
text_file:  prompt/cmp_text_01.txt
voice:      voiceA      # 本次唯一变量
speed:      1.0         # 固定
volume:     default     # 固定
sample_rate: 44100      # 固定，导出与试听保持一致
seed:       keep        # 接口支持时固定
output:     out/voiceA/voiceA_speed1.0_01.wav

把这份配置放在 cfg/ 目录下，每换一次音色只改 voice 一行，其余原样复制。生成完一批后，回头核对配置文件的修改记录：如果固定项在两次生成之间被动过，这批样本就要作废重来。

每个音色生成同一段文本并统一命名

文件混在一起是听错样本的主要原因：试听到第三四个时，往往已经记不清哪个文件对应哪个音色了。建议命名规则统一为「音色_参数_序号」，参数段只写真正影响听感的固定项，比如 voiceA_speed1.0_01.wav。序号从 01 开始递增，一个音色生成几条就排到几号，不要用中文、空格或括号。

tts_compare/
├── prompt/
│   └── cmp_text_01.txt      # 对照文本，只读
├── cfg/
│   └── fixed_params.yaml    # 固定项配置，变量只有 voice
├── out/
│   ├── voiceA/voiceA_speed1.0_01.wav
│   ├── voiceB/voiceB_speed1.0_01.wav
│   └── voiceC/voiceC_speed1.0_01.wav
└── record/
    └── scores.csv

目录上按音色分文件夹，是为了批量试听时能整段播放、不用来回跳；但打分记录要落在一张表里，表的第一列就是完整文件名。生成顺序建议按音色字母序依次跑，跑完一个音色立刻在 scores.csv 里补一行占位，把文件名、音色、生成时间填好，理由列先空着。生成与填表同步进行，是避免“文件有了、记录丢了”的最省事办法。

file,voice,speed,sample_rate,generated_at,clarity,naturalness,pause,reason,recheck
voiceA_speed1.0_01.wav,voiceA,1.0,44100,,4,4,3,,same
voiceB_speed1.0_01.wav,voiceB,1.0,44100,,3,5,4,,same

盲听打分并写下判断依据

打分的目的不是排出一个名次，而是把“我感觉这个更清楚”变成别人能复述的句子。建议每条音频至少看三个维度：清晰度、自然度、断句位置，用 1 到 5 分即可，不需要更细的刻度。清晰度看数字和英文缩写能否一次听清、需不需要回放；自然度看整句的呼吸感和语调起伏；断句位置看长句中间的停顿是不是落在语义边界上，而不是切在词中间。

关键在于每条分数后面必须写理由，哪怕只有半句话。比如「voiceB 在 14:20 这处读得偏慢，前后的停顿比另两个长，所以断句给了 4 分」；又如「voiceC 的 MES 逐字母读，接下一句时衔接有点硬，自然度给 3 分」。理由里尽量写清时间点或词，不要写“整体感觉好一点”，那种描述复听时自己都对不上。

• 第一轮按文件名顺序正序播放，边听边填分。
• 第二轮把顺序打乱，隐藏文件名只留序号，复听同一批音频。
• 两轮之间隔开一段时间，换一副耳机或换一台设备再听，看结论是否漂移。

复听后如果某个音色的分数方向保持一致，可以把结论记为稳定；如果两轮差异较大，先别下判断，回头检查对照文本、语速、音量、采样率是否为同一份配置，以及试听设备音量是否一致。这些前提没有对齐时，分数波动本身说明不了音色好坏。样本量也不必求多，三到五个音色、每个音色一到两条，就足够支撑一次选型判断了。