TTS 标点与停顿格式指南

在 TTS 中，标点是生成输入的一部分，但不是隐藏的精确计时语言。逗号不能保证固定毫秒数的停顿，不同模型也可能用不同方式解释同一句话。

更可靠的方法是先把口语写清楚，只有当表达仍然不对时，再测试最小的格式变化。

从正常句子结构开始

像认真编辑人类文本一样使用句号、逗号、问号和冒号。不要堆重复逗号、省略号或奇怪符号来强迫模型停顿。

长句赶促时，如果两个从句都能独立，就拆成两句。清楚的边界也能让返工局限在更小片段。

逗号应该匹配真实语法。如果需要比逗号更强的停顿，先问文本是否应该成为两个句子，而不是在错误位置继续加逗号。

“一句一行”便于审核、字幕对齐和局部重生成。不同模型未必对换行产生相同声学停顿，所以先把它看作制作工具，再把它看作声音提示。

例如“规则很简单：保持参考音频干净。”教程和产品讲解中很实用，但不要在一个段落里过度使用。

em dash 可以表示转折或插入语，不同系统响应不同。如果只是为了计时，应该和逗号、句号做对照测试。

它适合真实犹豫或话音未尽，不适合普通旁白中的通用“停顿控制”。

视觉列表一眼能扫完，听众不行。把长列表分组，并加入清楚的顺序结构，让信息按时间顺序进入听众大脑。

2026、3–30 seconds、API、域名和版本号本身就可能产生异常读法。更多逗号不会解决它们。重要值可直接写成希望听到的词语。

包含多个观点、数字、括号和长列表的单句要求模型一次推断太多结构。先确定主旨、拆开无关信息、再生成，不要先堆标点。

例如只比较：

A：The update is ready, but we should review it first.

B：The update is ready. But we should review it first.

C：The update is ready — but we should review it first.

保持模型、参考、语言、情绪和语速不变，具体听停顿长度、第二从句是否重启过强、能量是否掉落以及是否出现伪影。

同时改标点、情绪、pace、参考和模型，就无法知道什么真正改善了结果。Voice Lab 也应遵循相同的受控比较原则。