听到「一句话断在半截」，先别急着改切分脚本，也别立刻换音色。SparkAudio 1.0 这类 TTS 链路里，断句通常来自三处：单段合成返回的音频尾部本身就被截断、请求参数与写进容器的采样率或声道不一致、以及切分和拼接时把尾巴裁掉或补了过长静音。可行的排查顺序是先用一句完整短句单独合成并原样保存返回文件，再用 ffprobe 读容器参数，最后才去调切分粒度。

判断顺序建议是：单段完整性 → 容器格式 → 切分粒度 → 拼接裁切。每一步只改一个变量，并保留原始返回文件做对照。如果单段合成就不完整，问题在请求侧或模型输出，调切分粒度基本无效；如果单段完整，断点才可能出在自己写的那段拼接代码里。下面的命令和阈值需结合本机 ffmpeg 版本、音色配置和文本长度确认。

先确认单段返回的音频本身是否完整

先准备一句 15 到 25 字、带标点的完整短句，只合成这一句，不要附带上下文。保存返回时要拿到原始字节，不要在中间做解码、重采样或重写 WAV 头，否则后面无法区分是服务端截断还是本地处理截断。下面是一段通用骨架，语音调用部分按你实际的 SDK 或 HTTP 请求替换：

# 只保存服务端返回的原始字节，先不解码、不重采样
resp = client.synthesize(text=single_sentence, voice=VOICE, sample_rate=REQ_SR, format="wav")
raw = getattr(resp, "audio_bytes", None) or resp.content
open("single_raw.wav", "wb").write(raw)

接着核对时长。中文播报语速通常在每秒四到六个字之间，可以拿这个区间做粗比：把 ffprobe 读出的时长除以字数，若结果明显低于这个区间，就要怀疑尾部被裁；若明显偏高，更可能是采样率被写错导致整段被拉长。这一步只是粗比，不作为判定标准，真正的依据还是听最后半秒有没有突然静音或削字。

ffprobe -v error -show_entries format=duration -of csv=p=0 single_raw.wav

用命令行读出声卡参数与文件真实采样率

很多时候请求里写的是 24000 Hz，而服务端或本地写进容器的却是别的值，听感上就表现为语句被「压扁」或某个音节消失，容易被误判成切分太碎。用下面的命令一次读出容器、采样率、声道、码率和时长：

ffprobe -v error -select_streams a:0 -show_entries stream=codec_name,sample_rate,channels,bit_rate,duration -of default=noprint_wrappers=1 single_raw.wav

把输出结果和你发出请求时的参数逐项对照，建议按下面这张表记录一次：

若采样率和声道都对得上，断点又只在长文本里出现，问题范围就基本落到切分和拼接这一侧了。

把切分粒度调粗再看断点是否消失

这一步的目的是验证切得太碎是否切断了语义。取同一段 300 到 500 字的文稿，做两组对照：A 组优先按句号、问号等句末标点切，单段上限放宽；B 组按逗号或固定字符数切，单段上限收紧。其余参数（音色、采样率、输出格式）保持完全一致，分别合成后拼接，再逐段听。

记录表建议至少包含断点位置前后各三个字，这样下次出现同样听感时可以直接比对，而不是凭印象说「这里断了」：

如果 A 组断点消失、B 组集中在逗号处出现断口，说明这份文稿确实被切得过碎，尤其是把「但是」「因此」这类连接词切到段首时更容易听出截断感。需要注意的是，这个结论只针对本次测试文本，换成长句多、数字多的稿件需要重新做一次对照，不能直接套用。

检查拼接处的静音长度与重叠裁切

如果单段文件单独播放完整，拼起来才有断口，问题就在拼接脚本。两类常见错误：一是段间补的静音过长，让正常停顿变成空白；二是切分时为了保上下文让相邻段重叠了若干字，拼接时却没有裁掉重叠部分，导致重复发音或音节错位。下面是一段可替换的拼接骨架：

from pydub import AudioSegment

GAP_MS = 120        # 段间静音，先用小值试，不要一上来就补 500ms
OVERLAP_MS = 0      # 切分时保留的重叠时长，没有重叠就保持 0

out = AudioSegment.empty()
for i, path in enumerate(seg_files):
    seg = AudioSegment.from_file(path)
    if OVERLAP_MS and i > 0:
        seg = seg[OVERLAP_MS:]   # 裁掉与前一段重叠的部分
    out += seg
    if i != len(seg_files) - 1:
        out += AudioSegment.silent(duration=GAP_MS)

out.export("joined.wav", format="wav")

试听对比建议分三轮：第一轮正常速度整体听一遍，第二轮用 0.75 倍速播放重点听断点，第三轮把断点前后两段单独播放，确认单段尾部本身没有缺字。三轮结论不一致时，以单段播放结果为准，因为拼接会掩盖段内问题。段间静音一般可以先从 80 到 150 毫秒试起，句子之间的停顿靠文本标点表达，不要靠补静音硬凑。

把定位到的那一步固化成默认参数

定位到具体环节后，把参数写回配置，而不是每次出问题再手改脚本。至少要固化下面几项：

• 切分阈值：优先按句末标点切，单段字符上限固定，遇到超长句再按逗号兜底；
• 段间静音长度：写成一个常量，与重叠裁切时长分开配置；
• 采样率与声道：请求参数和导出参数保持同一值，不要一处 24000 一处 44100；
• 输出格式：统一为 wav 或统一为同一种编码，避免不同容器尾部 padding 长度不一致。

固化后需要一条能重复运行的验证命令，用来检查产物是否都符合预期，可以放在每次生成后执行：

for f in out/seg_*.wav out/joined.wav; do
  ffprobe -v error -select_streams a:0 -show_entries stream=sample_rate,channels,duration -of csv=p=0 "$f" | sed "s|^|$f,|"
done

回归时比对的文件建议固定为三份：单段原始返回 single_raw.wav、拼接产物 joined.wav、以及上面那张记录断点前后三个字的对照表。下次同一类文稿再出现断在半句，先用这三份文件对照，通常几分钟内就能判断是切分阈值不合适，还是拼接处的静音与重叠没对齐。