Sambert中文数字读法错误？数值格式化处理实战教程

1. 引言：Sambert 多情感中文语音合成的落地挑战

在当前语音合成（TTS）技术快速发展的背景下，阿里达摩院推出的Sambert-HiFiGAN模型凭借其高质量、多情感、可定制性强等优势，广泛应用于智能客服、有声阅读、虚拟主播等多个场景。然而，在实际工程落地过程中，一个常被忽视但影响用户体验的问题逐渐浮现——中文数字读法错误。

例如，当输入文本为“2025年3月14日”或“价格是128.5元”时，部分 TTS 系统会将“2025”读作“二零二五”而非更自然的“两千零二十五”，或将小数点读成“点”以外的歧义发音。这类问题在金融、教育、医疗等对语义准确性要求极高的领域尤为突出。

本文聚焦于这一典型问题，结合基于 Sambert 的工业级语音合成镜像（如 IndexTTS-2），提供一套完整的数值格式化预处理方案，确保数字在送入 TTS 前已被正确转换为符合中文语言习惯的自然表达形式。

2. 问题分析：为什么Sambert会出现数字读法错误？

2.1 模型训练数据的语言分布偏差

尽管 Sambert 模型在大规模中文语料上进行了训练，但其原始数据主要来源于通用文本（如网页、新闻、百科），其中包含大量日期、编号、价格等结构化数值。这些数值在原始语料中往往以阿拉伯数字形式存在，并未经过标准化读法标注。

因此，模型在推理阶段缺乏明确的上下文信号来判断：

• “1998” 应该读作“一九九八”（年份）还是“一千九百九十八”（数量）
• “3.14” 是数学常数“三点一四”还是编号“三杠十四”

2.2 缺乏显式的数值语义标注机制

与英文 TTS 中可通过say-as标签（SSML）明确指示数字类型不同，当前多数中文 TTS 接口并未强制支持 SSML 或对<say-as interpret-as="cardinal|ordinal|date">等标签做有效解析。这导致系统只能依赖模型自身对上下文的理解能力，而这种能力在边界模糊的情况下极易出错。

2.3 实际案例验证

以下是在某部署版 Sambert-TTS 上测试的结果：

可见，对于纯数字序列，系统表现不稳定，尤其在无明显语境提示时容易误判。

3. 解决方案设计：构建中文数值规范化预处理器

3.1 设计目标

我们期望实现一个轻量、高效、可插拔的前端文本预处理模块，具备以下能力：

• 自动识别文本中的数值片段（整数、小数、百分比、货币、日期等）
• 根据上下文和规则推断最合适的中文读法
• 输出标准化后的自然语言文本，供 TTS 引擎使用
• 支持扩展自定义规则（如特定行业术语）

3.2 技术选型对比

最终选择：在num2chinese基础上进行增强改造，构建上下文感知的数值处理器

4. 核心实现：中文数值格式化代码详解

4.1 安装依赖环境

pip install regex jieba opencc-python-reimplemented

注：本方案已在 Python 3.10 + CUDA 11.8 环境下验证通过，兼容 IndexTTS-2 镜像运行环境。

4.2 数值识别与分类函数

import re from typing import List, Tuple, Optional def extract_numbers(text: str) -> List[Tuple[str, int, int, str]]: """ 提取文本中所有数值及其位置信息，并标记类型 返回: [(原始字符串, 起始位置, 结束位置, 类型), ...] 类型包括: integer, decimal, percent, currency, date, phone, unknown """ patterns = { 'date': r'\b(19|20)?\d{2}[年/-](0?[1-9]|1[0-2])[月/-](0?[1-9]|[12]\d|3[01])日?\b', 'phone': r'\b1[3-9]\d{9}\b', 'currency': r'([￥$€£¥]?)\s*(\d+\.?\d*)\s*(元|块|美元|欧元)?\b', 'percent': r'\b\d+\.?\d*%?\b(?=%)', 'decimal': r'\b\d+\.\d+\b', 'integer': r'\b\d{4,}\b', # 四位以上整数优先匹配 } matches = [] for type_name, pattern in patterns.items(): for m in re.finditer(pattern, text): matches.append((m.group(), m.start(), m.end(), type_name)) # 按位置排序并去重（避免重叠） matches.sort(key=lambda x: x[1]) filtered = [] last_end = -1 for item in matches: if item[1] >= last_end: filtered.append(item) last_end = item[2] return filtered

4.3 数值转中文读法核心逻辑

def number_to_chinese(num_str: str, context_type: str = 'default') -> str: """ 将阿拉伯数字字符串转换为中文读法 """ try: if '.' in num_str: if context_type == 'percent': return _float_to_percent(num_str) else: return _float_to_chinese(num_str) else: n = int(num_str) if context_type == 'year': return _year_to_chinese(n) elif context_type == 'currency': return _amount_to_chinese(n) elif 1000 <= n <= 9999: return _thousand_number_to_chinese(n) else: return _integer_to_chinese(n) except Exception: return num_str # 出错保留原样 def _integer_to_chinese(n: int) -> str: """基础整数转中文""" digits = ['零', '一', '二', '三', '四', '五', '六', '七', '八', '九'] units = ['', '十', '百', '千'] wan_units = ['', '万', '亿'] if n == 0: return '零' def convert_group(x): if x == 0: return '' result = '' str_x = str(x) for i, digit in enumerate(str_x): d = int(digit) if d != 0: result += digits[d] + units[len(str_x) - i - 1] else: if result and result[-1] != '零': result += '零' return result.rstrip('零') groups = [] while n > 0: groups.append(n % 10000) n //= 10000 result = '' for i, group in enumerate(groups): if group != 0: part = convert_group(group) if i > 0: part += wan_units[i] result = part + result elif result and i < len(groups) - 1 and groups[i+1] != 0: result = '零' + result # 修复“一十二”应为“十二” if result.startswith('一十') and len(result) > 2: result = result[1:] return result.replace('零零', '零').rstrip('零')

4.4 上下文感知的智能替换主函数

import jieba def normalize_text_with_numbers(text: str) -> str: """ 对输入文本进行数值规范化处理 """ # 第一步：分词获取上下文 words = list(jieba.cut(text)) # 第二步：提取数值 num_positions = extract_numbers(text) # 第三步：逆序替换（防止位置偏移） result_parts = [] last_pos = 0 for num_str, start, end, num_type in reversed(num_positions): # 推断语义类型 inferred_type = infer_contextual_type(num_str, words, text[max(0, start-10):start]) # 转换为中文读法 spoken_form = number_to_chinese(num_str, inferred_type) # 插入替换 result_parts.append(text[start:end].replace(num_str, spoken_form)) result_parts.append(text[last_pos:start]) last_pos = start result_parts.append(text[last_pos:]) final_text = ''.join(reversed(result_parts)) return final_text.strip() def infer_contextual_type(num_str: str, words: List[str], prefix: str) -> str: """ 根据上下文推断数字语义类型 """ lower_prefix = prefix.lower() if any(kw in lower_prefix for kw in ['年', '出生', '创立', '成立于']): return 'year' if any(kw in lower_prefix for kw in ['元', '块', '价格', '花费', '售价']): return 'currency' if '%' in num_str or '百分' in lower_prefix: return 'percent' if re.match(r'\b1[3-9]\d{9}\b', num_str): return 'phone' if '.' in num_str and any(kw in lower_prefix for kw in ['圆周率', '比例', '比率']): return 'decimal' # 默认按数值大小判断 n = float(num_str.replace('%', '')) if 1900 <= n <= 2099 and '.' not in num_str: return 'year' if n >= 10000: return 'amount' return 'default'

5. 实践应用：集成到IndexTTS-2服务中

5.1 修改Gradio接口层

在app.py或主服务文件中，找到文本输入处理部分：

# 修改前 text_input = gr.Textbox(label="输入文本") # 修改后：添加预处理钩子 def tts_pipeline(raw_text): cleaned_text = normalize_text_with_numbers(raw_text) print(f"[DEBUG] 原始文本: {raw_text}") print(f"[DEBUG] 规范化后: {cleaned_text}") return generate_speech(cleaned_text) # 原始TTS调用 with gr.Blocks() as demo: text_input = gr.Textbox(label="输入文本") btn = gr.Button("生成语音") audio_output = gr.Audio(label="合成语音") btn.click(fn=tts_pipeline, inputs=text_input, outputs=audio_output)

5.2 测试效果对比

✅ 表示符合用户预期读法

6. 总结

6.1 关键收获

通过本文的实践，我们成功解决了 Sambert 类中文 TTS 系统中存在的数字读法不准确问题。核心要点如下：

1. 根本原因在于语义缺失：TTS 模型本身无法完全理解数字在上下文中的真实含义。
2. 最佳解决方案是前端预处理：在文本进入模型前完成“数值→自然语言”的转换，是最稳定、可控的方式。
3. 规则+上下文分析是关键：单纯正则无法满足需求，必须结合分词、关键词匹配、语义推断等手段提升准确率。

6.2 最佳实践建议

• 始终启用数值规范化模块：将其作为 TTS 服务的标准前置组件。
• 定期更新规则库：根据业务场景补充新词汇（如“双十一”、“双十二”等特殊读法）。
• 结合 SSML 进一步优化：若 TTS 支持 SSML，可在预处理后添加<say-as>标签增强控制。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。