数字人在电商直播中频频将产品参数读错，从处理器型号到电池容量，每一个错误都在消耗用户信任。本文通过五款主流TTS的横向测试，揭示了行业性的系统缺陷，并提出了专有名词读音的三层优先级框架。最终发现，问题的本质并非技术不足，而是知识获取与发音能力的割裂。

一、从一个让人抓狂的问题开始

在做数字人评估的时候，我发现了一个反复出现的问题。

数字人在介绍产品时，把”i7-11800H”读成了”i七一万一千八百小时”，把”RTX5090Ti”里的”Ti”读成了”T-i”而不是”钛”，把”mate80″读成了”mate八十”，把”1080P”读成了”一千零八十P”而不是”幺零八零P”，把”5000mAh”读成了”五零零零m-A-h”而不是”五千毫安时”。

这些错误单独看都不严重，但在电商直播场景里，数字人每天要说几千个产品型号和参数，每一个读错都是一次信任损耗。

我开始怀疑这不是某一款TTS的问题，而是行业性的缺陷。于是我用同一段文本，对5款主流中文TTS做了横向测试。

二、5款主流TTS横向测试：全军覆没

测试文本刻意覆盖了电商直播场景里最高频的专有名词类型：处理器型号、显卡型号、手机系列、视频规格、电池容量、单位后缀。

测试文本：

搭载R7-5800H、i7-7700和i7-11800H的联想R9000P和微星GP76同时搭载RTX5090Ti最强显卡，搭载麒麟9000处理器和天玑9400芯片的掌机支持4K和1080P输出，当年的麒麟980处理器玩720P游戏帧率爆表，搭载5000mAh电池续航也能有20小时。华为致敬mate8的经典作品mate10是一代经典，而今mate80的发布，这让我想到了苹果iPhoneX，近期荣耀500系列。

结果一目了然：

没有一款模型全部读对。最好的豆包2.0错误率29%，最差的MiniMax达到57%。联想R9000P五款全部翻车，iPhoneX只有讯飞读对。

这不是某个模型的bug，而是行业性的系统缺陷。

我开始系统整理这些错误，想搞清楚一件事：TTS在专有名词上的失效，到底有没有规律？

三、规律是存在的，而且有优先级

整理了几百个案例之后，我发现所有专有名词的读音，本质上遵循一个三层优先级框架，层级之间是覆盖关系——上层规则命中就直接输出，不走下层。

图一：三层优先级决策框架

第一层：定义权（最高优先级）

某些词的读法，是由发布者直接定义的，超越所有规律。苹果从iPhone 8跳到iPhone X，中文用户叫它”苹果十”而不是”苹果X”，因为苹果的中文发布会里这样定义了。”mate80″读”八零”不读”八十”，因为这代表代际而不是数量。

定义权还延伸到单位后缀。同一个字母在不同语境下读法完全不同：

• Ti：RTX5090Ti里的Ti读“钛”，不是“T-i”
• H：i7-11800H里的H读字母“H”，代表高性能版本；但5000mAh里的H是“时”（小时）
• mAh：整体读“毫安时”，不是逐字母读“m-A-h”
• P：1080P里的P读字母“P”，代表逐行扫描

这些后缀无法靠规律推导，需要结合上下文语境判断，是纯算法的天花板。

这类读法是外生的，属于新知识注入，一旦命中，不走后续任何规则。

第二层：代差规则

品牌产品线的迭代数字，读法取决于和上一代的代差。以华为mate系列为例：mate7、mate8、mate9是个位数迭代，代差为1，读整体数字——”mate九”。从mate9升级到mate10，代差变成10，读法切换为逐位——”mate一零”。此后mate20、mate30、mate80全部逐位读。小米14升级到小米15，代差依然是1，所以读”小米十五”而不是”小米一五”。

规律是：代差=1（个位迭代）→ 整体读；代差=10（X0结尾）→ 逐位读。

这条规则说明了一件深刻的事：TTS读音的背后，编码的是品牌的迭代节奏，不是数字本身。要判断”mate80″该怎么读，必须知道它的上一代是mate70。这是纯算法永远无法自动推导的，因为它需要理解品牌历史。

第三层：最小阻力（兜底规则）

前两层都没命中时，人类口语天然倾向于音节更短、发音成本更低的方式——这本质上是语言学中**省力原则（Zipf定律）**的体现。核心计算逻辑：对每个数字串同时生成”整体读法”和”逐位读法”，取音节更短的那个。

• 麒麟9000：“九千”2音节 vs “九零零零”4音节 → 九千
• RTX5090：“五零九零”4音节 vs “五千零九十”5音节 → 五零九零
• 联想R9000P：“九千”2音节 vs “九零零零”4音节 → 九千

最小阻力还有一条口语省略子规则：整十、整百、整千结尾时，最后的单位可以省略。天玑9400，口语读”九千四”，”百”字省掉，因为不影响理解。

四、这个问题的本质是什么

整理完规律之后，我意识到一件事：TTS读不对专有名词，不是技术不够好，而是发音能力和知识获取能力被混在一起了。

传统TTS的处理流程是：文本 → 文本正则化（Text Normalization，TN） → 拼音 → 声学模型 → 声音。问题出在文本正则化这一步——模型不知道”联想R9000P”里的9000应该怎么读，不知道”RTX5090Ti”的Ti该读”钛”，只能按通用规则处理，结果就是读错。

声学模型本身没有问题，问题在于它收到的输入就是错的。

五、验证：一个非技术人能做到什么程度

想清楚这个本质之后，我决定自己动手验证。没有任何编程背景，一台M1 Mac，用AI协助写代码，看能做到什么程度。

第一阶段：词典注入

最直接的方案是在文本进入模型之前，把专有名词替换成正确的读音表达。建立一个外挂词典，强行改变输入给模型的文本，声学模型本身不需要动。

图二：TTS处理流程对比

接入开源TTS模型Edge-TTS，效果立竿见影——”RTX5090Ti”读对了，”mate80″读对了，”5000mAh”读对了。但很快发现了覆盖度问题：词典里写的是”mate80″，mate70、mate90出来就要手动加。每一个新产品发布，都需要人工更新。这是词典方案的根本局限。

第二阶段：把规律写成算法

词典是”给鱼”，把规律写成算法才是”给渔”。基于三层优先级框架，用Python实现了完整的规则引擎。测试结果：

• 联想R9000P → 九千P ✓
• 天玑9400 → 九千四 ✓
• RTX5090Ti → 五零九零钛 ✓
• 麒麟980 → 九八零 ✓
• 1080P → 幺零八零P ✓
• 5000mAh → 五千毫安时 ✓
• mate80 → mate八零 ✓
• mate10 → mate十 ✓

新型号只要不是特殊规则，算法自动覆盖。这个方案的核心优势是不侵入TTS模型本身，可以适配所有TTS平台，直接前置接入。

六、为什么大模型也解决不了这个问题

自然会想到：现在的端到端语音大模型，比如今年1月刚发布的Qwen3-TTS，有没有把这个能力内化进去？

从测试结果看，Qwen3-TTS的错误率依然达到50%。这个结果并不意外。事实上，目前行业里做得最完整的开源文本正则化工具是字节跳动的WeTextProcessing，几乎所有主流开源TTS都在用它。但它的核心局限和所有同类工具一样——只有通用语言规则，没有针对3C、电商等垂直场景的适配，完全解决不了专有名词问题。

更大的模型 ≠ 专有名词读音更准确，因为两类问题的性质根本不同：

最小阻力类的规律理论上可以被模型学进去，训练数据足够多的话模型会形成这种语感。

定义权类的知识永远学不进去。雷军今天发布会上定义了新产品的读法，这个信息在发布会结束之前不存在于任何训练数据里。无论模型多大，这部分永远需要外部知识注入。而商业场景要的不是”99%的准确率”，是”0容错的确定性”——读错一次就是一次信任损耗。

所以最终的架构一定是：强模型（内化规律）+ 热更新中间件（注入定义权），两者缺一不可。这不是过渡方案，而是这类问题的本质决定的。

七、一个更大的判断

很多人觉得TTS/ASR是古老的技术，没什么前途。这个判断对了一半。

传统TTS确实是相对成熟的工程问题。但语音在AI系统里的角色正在发生根本性的变化。GPT-4o语音模式、Qwen3-TTS这类端到端语音大模型，不再走”语音→文字→理解→文字→语音”的老路，而是直接在音频层面做理解和生成。专有名词的读音问题，在旧范式里是一个孤立的工程bug。在新范式里，它是一个更大问题的缩影：当语音成为模型理解世界的通道，如何确保这个通道里的信息是准确的？

这个问题还没有人系统回答过。

结尾

写这篇文章的过程本身也值得说一句。

从发现问题，到整理规律，到用AI协作写代码验证方案，整个过程我没有写过一行自己能看懂的代码。但我有一样东西是工程师不一定有的——在实际项目里反复听那些读错的音频，踩出来的一手经验。

AI时代真正改变的不是”人人都能写代码”，而是认知和执行之间的门槛第一次消失了。过去被困在执行层的一线洞察，现在第一次有机会被验证、被传播、产生真实的价值。

这篇文章是一个开始。下一步我会把这套中间件方案整理成开源项目，并尝试接入Qwen3-TTS做进一步验证。结果出来再写第二篇。