中文语音合成：文本规范化和工程
这个 skill 来自一个天天在说话的 AI 桌宠（见文末「来源与维护」）：Claude 流式回复，逐句交给本机 TTS 念出来。下面的规则都有测试，数字都是量过的。
一句话原则：念法在自己这层转好，引擎只管发音。 交给引擎的话，换一个引擎念法就变；整个换成现成的 TN 库，也有几处会变差。现成库（wetext、PaddleSpeech）拿来对照、补规则。
流程
模型的流式文字
→ ① 过滤：去掉装饰、emoji、列表符号；代码块、表格、链接换成一句话（流式时要能认出被拆开的）
→ ② 转念法：数字、时间、单位、符号、念法替换表（流式时扣住边界）
→ ③ 切句：第一段切到第一个逗号，之后超过 40 字在逗号处切
→ ④ 合成：只比念到的地方提前约 20 秒；打断时真的停掉推理
顺序不能换：先转念法，再切句。 先切句、后清理时实测出三个错：
| 原文 | 先切句的结果 | 问题 |
|---|---|---|
下午14:30开会 | 下午14: / 30开会 | 冒号被当成逗号，时间被切开 |
看这里：https://…/pull/7 就行 | https: / //…/pull/7 就行 | 链接被切成两半，地址被逐字念 |
大概3~5天 | 大概35天 | ~ 被当装饰去掉，念成「三十五天」 |
半角 : 只在后面跟空白时才当逗号。
流式要扣住边界
整句转对了，流式不一定对。逐字流式时「工作了26年」「80年代」被念成「二六年」「八零年代」，因为数字后面的字还没到；-10°C 那段被当成英文原样念了。
- 数字后面再等 2 个字才放出去；单位隔着空格也要能认（
跑了 5先扣住，等km）。 - 转下一段时带上上一段末尾几个汉字（判断「了 26 年」要看到前面的「了」）。
- 最多扣 200 字，代码块、表格最多扣 4000 字，到上限就放。
- 每条测试都按「逐字喂」和「整段喂」各跑一遍，结果要一样。
规则速查（详见 references/rules.md）
| 类 | 例子 | 念法 |
|---|---|---|
| 年份 | 2026年、2026届、26年见 | 逐位：二零二六年、二零二六届、二六年见 |
| 年数 | 工作了26年、80年代、26年前 | 照数量：二十六年、八十年代、二十六年前 |
| 号码 | 电话、验证码、编号27149、房间1201 | 逐位，1 念「幺」，横杠和空格处停一下 |
| 五位数 | 95588 / 价格 12999 | 没量词、不以 0 结尾、前面不是说钱的 → 号码；否则照数量 |
| 网络用语 | 666、2333、520 单独出现 / 666个赞、花了888 | 逐位 / 照数量（只认一张固定单子） |
| 单位前的 2 | 2个、2L、2℃ | 两个、两升；温度除外：二摄氏度 |
| 单位 | 60km/h、3kWh、5min、10mg | 每小时六十公里、三度电、五分钟、十毫克 |
| 不转的单位 | 4g网络、5A景区、16GB | 原样交给引擎 |
| 范围、百分比 | 3~5%、3-5km、-1.5~2 | 百分之三到五、三到五公里、负一点五到二 |
| 时间 | 14:30、13:00、9:05 | 十四点半、十三点、九点零五（24 小时制） |
| 日期、分数 | 10/26 交 / 有7/12的观众 | 十月二十六号 / 十二分之七（前面是「有、占、约」才当分数） |
| 符号 | #15、2x、x3、100w | 十五号、两倍、乘三、一百万 |
用对照用例检查
references/golden-cases.json 有 115 条整段用例和 24 条流式用例，都是原项目验收过的念法。scripts/check-tn.mjs 拿它们测你的实现：
node scripts/check-tn.mjs ./my-tn.mjs # 模块导出 normalize(text) 和（可选）createStream()
node scripts/check-tn.mjs ./my-tn.mjs --only 号码 # 只看某一组
- 比较时忽略空白和常见标点，只比念法。带
note的用例是「参考」，只报出来不算失败。 - 新写 TN 时把它当验收线；改规则时跑一遍，防止改好一处、坏了另一处。
- 有争议的念法（比如「这台电脑 12999」会被当成号码）原项目是接受了的。你的产品想要别的念法，就改用例，并在用例旁写为什么。
念错了怎么查
分四类：念之前没写成念法；多音字是模型猜错；参考录音有问题；随机的（重抽一次就好）。
用当前声音和另外两个声音各念同一句：每个声音都在同一个字上错，就加念法替换表；只有一个声音怪，就换声音。每次把原文和转出来的念法一起记进日志（jsonl），回头查得到。
工程（详见 references/engines.md）
- 首句延迟： 第一段只切到第一个逗号。Matcha 第一个字到达后 0.65 秒出第一段音频。
- 最有效的提速是缓存： 没合成过的句子 CosyVoice 首块 2.6–3 秒，命中缓存 6 毫秒。用户一开口就预合成垫话（「嗯」「我想想」）。
- 取消要真的停掉推理： vLLM 连接一断就
abort_request，否则下一句要等 4.9 秒（做了以后 0.8–1.7 秒）。 - 英文会被静默跳过： 有的引擎不念
GitHub、PR、%；依赖升级前重新验证英文。 - 后备音源： 主音源没就绪或一开口就出错，就换后备；念到一半出错不重念。服务的 HTTP 起来了不等于模型加载好了，遇到 503 要重试。
来源与维护
- 来源： Cirra（AI 桌宠，RedCarpG/cirra-deskpet）和它的语音服务 cirra-voice，2026-10 至 2026-11。
- 代码：
sidecar/src/tts/speech/（numbers.ts、units.ts、links.ts、filter.ts、overrides.ts、speech.test.ts）、sidecar/src/tts/splitter.ts、sidecar/src/tts/pronunciations.ts。 - 文档：
docs/speech.md、docs/speech-tn.md（119 句三方对照）、docs/tts.md、docs/voices.md、docs/voice-chat.md、docs/voice-chat-2.md、docs/voice-install.md、docs/perf-checkup.md。 - 经验：私人 repo 的
lessons/chinese-tts.md。
- 代码：
- 源头： RedCarpG/redcarpg-skills 的
skills/chinese-tts/。~/.claude/skills/里的是安装出来的副本，不要直接改。references/golden-cases.json是 2026-11-10 从 Cirra 的speech.test.ts用脚本抽出来的，两边不会自动同步。 - 怎么改：
- 在 redcarpg-skills 里改，走 PR；
manifest.json版本加一，node scripts/validate.mjs通过后发版（tagchinese-tts-v<版本>），再重装本机副本。先看lessons/chinese-tts.md有没有新条目可以收进来。 - Cirra 的 TN 规则有变化时，重新抽一次用例（抽的办法：读
speech.test.ts里readNumbers那组和「流式」那组的[原文, 念法]），并用 Cirra 编好的sidecar/dist/tts/接一个适配模块跑check-tn.mjs，应该全过。 - 引擎的数字（延迟、实时率、显存）是 2026-10 在一台 8 GB 显存、CPU 没有 VNNI 的电脑上量的，换了硬件要重新量。
- 在 redcarpg-skills 里改，走 PR；
- 更新记录：
- 2026-11-12 · 1.0.0，搬进 redcarpg-skills 公开发布。改掉本机绝对路径，来源项目写成链接；内容不变。
- 2026-11-10 · Cirra · 初版：流程和顺序、流式边界、规则速查和细则、念错排查、引擎工程；139 条对照用例和
check-tn.mjs（用 Cirra 的实现跑过，全过）；evals/里两个测试提示。