长文本TTS工程化：句界切分与响度归一实践

万字长稿转有声读物，整篇扔给 TTS 接口，第一分钟就会碰壁：请求体超限被拒，或者接口有单段长度上限；侥幸全吞进去的，后半段韵律崩坏，语速越读越快像赶场。正解是分片合成再拼接，听着简单，做好靠三个工程细节。

切分：切在句界，不按字数硬切

半句中间拼接，一听就穿帮。切分逻辑按句末标点分句，再攒到目标长度：

import re

def chunk_text(text, max_chars=200):
    sents = [s.strip() for s in re.split(r'(?<=[。！？；])', text) if s.strip()]
    chunks, buf = [], ""
    for s in sents:
        if len(buf) + len(s) > max_chars and buf:
            chunks.append(buf)
            buf = s
        else:
            buf += s
    if buf:
        chunks.append(buf)
    return chunks

单片 150~300 字是稳定区间：太短调用次数暴涨、韵律碎片化；太长单片重试代价大。段落空行处强制断开，给成片留"章节感"的换气点。

一致性：参数快照防音色漂移

分片合成最大的隐性坑是各片参数不一致——拼接处音色漂移。temperature、语速、音色版本必须全片统一且显式传值，不依赖接口默认值（默认值随服务版本变）。真实教训：月初月底各合成一批，接口默认语速悄悄改过一版，同一本书两个月的章节语速出现可闻差异。对策是把"合成参数快照"写进每本书的元数据，重合成按快照回填——版本漂移永远会发生，唯一可靠的是自己留档。

衔接：静音按标点分级

片间直接首尾相接太赶，插长静音又断气。实践口径：句号 350ms、问号叹号 400ms、段落界 800ms，静音用零值 PCM 拼装，注意采样率对齐。拼接完成后统一做响度归一：

ffmpeg -i joined.wav -af loudnorm=I=-16:TP=-1.5:LRA=11 final.wav

这步处理的是分片间微小能量差异——不做的话，长听感像音量在缓慢随机游走，听着容易疲劳。

验收与流水线

四步验收：抽听每章开头结尾确认无半句拼接；同一本书随机抽两章对比音色语速一致；整篇响度无突变；断网重试只重跑失败片。流水线定形后就是：切分 → 逐片提交（失败单片重试）→ 按序拼接 → 归一化。文本源、参数快照、成片、分片缓存四个目录一摆，重合成任意一本书只需换文本。没有哪一步难，但拼起来少一步都不行——这正是工程和调 API 的区别。