Goal1 · 音质研究 · test-only

同一条阿语脚本，两种合成方式，你来听

问题只有一个：把 6 段脚本切开各合各的，和拼成一整条一次合成，哪个听起来更像真人？

素材：ultra/23uCHB.json —— 一条 36.9 秒的阿拉伯语游戏解说，6 段时间轴，带 [excited] / [fast] / [gasp] 情绪标记。两边用同一个 voice、同一个 eleven_v3 模型，都不做变速拉伸。唯一的变量就是"切不切段"。

先听，再看分析

A / B 试听

方式 A

分段

6 段各调一次 → 原样拼起来

总长 35.50s · 6 次 API 调用
6 个拼接硬边界

方式 B

总体

拼成一条 → 只调一次

总长 37.41s · 1 次 API 调用
段间自然停顿 0.14–0.28s

方式 C

总体 · 换一家

Fish Audio 整段一次出

总长 33.46s · s2-pro 模型
解说腔音色 · 见下方说明

方式 C 不是干净对照，先说清楚，免得你听岔：

换了 provider（Fish Audio，不是 ElevenLabs）也换了音色（فارس عوض / Fares Awad，阿语足球解说腔）——所以它和 A/B 不是只差"切不切段"一个变量
情绪 [excited]/[gasp] 标记全剥掉了：Fish 的标记词表和 ElevenLabs 不一样，怕它念成字面，喂的是干净阿语
整体响度低约 4dB（-21.2 vs -17.4），听感会偏轻，落地要补一道电平归一

它回答的是另一个问题："另一家把整段一口气说出来，是什么味道"——解说腔、连贯度、自然停顿值不值得换。

重点听三个地方：① 段与段衔接处——A 是不是有"换气重起"的突兀感，B 是不是顺下来的；② 情绪的连贯——同一句兴奋劲儿有没有断；③ 句子之间的停顿是不是像人说话的节奏。

客观数据

四个数，先有个底

6 → 1

API 调用次数

+1.9s

总体比分段长

1.7 dB

分段各段响度差

100%

总体对齐还原

响度这项 A/B 打平（分段各段最多差 1.7dB，总体 -17.4dB）。所以 A/B 这场胜负不在音量，在韵律——衔接和停顿才是耳朵能听出来的地方。

方式	Provider	调用	总长	情绪tag	响度	字符级对齐
A 分段	ElevenLabs v3	6 次	35.50s	保留	-17.4dB	逐段各自
B 总体	ElevenLabs v3	1 次	37.41s	保留	-17.4dB	100% 还原
C 总体·换家	Fish s2-pro	1 次*	33.46s	剥离	-21.2dB	词级 33 词

* Fish 一次请求，内部自动分 3 个 chunk 流式吐（condition_on_previous_chunks 保持前后音色一致），对外仍是"整段一次出"。它的对齐是词级（segments[] 带 text/start/end），ElevenLabs 是字符级——两种都能切字幕，词级反而更省断词功夫，但中日泰这种无空格语种要另算。

方法

两条路，到底怎么走的

方式 A · 分段

每段从零起调

把 6 段 script 各自单独发给 ElevenLabs
每段是一次独立生成——模型不知道前后还有别的话
每段自带它自己的起音、换气、收尾
6 个 mp3 用 ffmpeg concat 硬接，接缝处没有过渡

方式 B · 总体

一口气说完

先给每段补上句末标点，再用空格拼成一整条（build_combined_text）
整条只发一次——模型看得到上下文，自己安排轻重缓急
句与句之间是模型自然吐出的停顿，不是拼出来的
事后用 with-timestamps 的字符级对齐切回每段时间轴

拼出来的那一整条长这样（396 字符，6 句连在一起喂给模型）：

[excited] هل تبحث عن لعبة ممتعة حقا شاهد هذا. [excited] نقطع الخشب بالليزر ونجمع الموارد بسرعة فائقة هذا شعور مرضي جدا. [fast] نحولها إلى ألواح خشبية ممتازة وننقلها بالشاحنات لترقية القاعدة فورا. [gasp] انظر إلى هجوم الزومبي نستخدم الخشب لبناء أبراج دفاعية قوية لحمايتنا. [excited] نرقي الأبراج باستمرار لصد الموجات الضخمة اللعب سلس بدون توقف. [fast] حمل اللعبة الآن مجانا وابدأ بناء دفاعك الخاص.

逐段对照

每段多长，停顿在哪

段	分段时长	总体时长	总体·段前停顿	脚本开头
0	3.87s	3.92s	—	[excited] هل تبحث…
1	6.69s	7.16s	0.16s	[excited] نقطع الخشب…
2	7.31s	7.26s	0.14s	[fast] نحولها…
3	7.00s	6.88s	0.16s	[gasp] انظر…
4	6.77s	6.92s	0.28s	[excited] نرقي…
5	3.87s	4.44s	0.04s	[fast] حمل اللعبة…
合计	35.51s	37.41s	≈0.78s

逐段时长两边几乎一样（差几百毫秒），所以总体方式没有牺牲对齐。差别全在那列"段前停顿"——这 0.14~0.28s 是分段方式里根本不存在的东西：分段是把 6 个独立片段怼在一起，接缝是零，反而显得急、像机器。总体多出来的 1.9s 基本就是这些自然停顿攒出来的。

这次研究要验的

"输入更长 = 更好" 站得住吗

韵律连续：整条进去，eleven_v3 能把一句话的轻重、升降、情绪走向一气呵成；分段每段都从中性语调重新起，攒不出"一个人连着讲"的劲
停顿是真的：句间换气由模型按语义吐出，不是我们硬塞的静音
对齐可信：这条总体的字符级对齐100% 还原了输入文本，切段稳，不用担心时间轴错位
情绪过渡：[gasp] 那种"先惊后定"的转折，在连续语流里才接得住，切开就断了

理论上总体占优。但这页不替你下结论——最终听感由你的耳朵判。上面两个播放器，来回切几遍。

不能只说好处

总体方式的代价

对齐偶发塌缩：eleven_v3 的 with-timestamps 有小概率把一整段的字符压到同一个时间戳，切段就废了——必须带 collapse guard，一旦塌缩回退到分段（音对、时间稳）。这次没塌，但机制得留着。
改词自愈更别扭：分段时某段太长/太短，只重合成那一段就行；总体改一个字要整条重合，缓存粒度粗。
5000 字符上限：拼成一条要顶着 ElevenLabs 单次输入上限，长视频得分批。

所以真正落地多半是"总体优先、塌缩回退分段"的混合——这也正是 mai-combo-runner-wholecontent-test 那条原型在走的路。

素材 ultra/23uCHB.json · A/B: ElevenLabs eleven_v3 voice EkK5I93UQWFDigLMpZcX · C: Fish s2-pro ref 79b0fd32（فارس عوض）· mp3 128k · 无变速 · test-only，线上未动