参考音频采集与质量控制（克隆像不像，八成看这段录音）
适用场景
- 用本机麦克风给本人/客户采一段克隆参考音频；
- 已有录音要判断"能不能直接当参考"；
- 克隆出来的声音"不像"或"发飘"，要回查采集环节。
一、录音前：三件准备
-
选麦：
voiceread.devices列本机音频输入设备；MacBook 内置麦可用（本仓真机实测：MacBook Air 内置麦 +-ar 24000单声道可满足克隆），有外置麦优先外置（底噪更低）。 -
摆位：嘴到麦 15–25cm，偏轴 15–30°（避免爆破音直冲振膜）；不要用手捂麦、不要放在风扇/空调出风口侧。
-
脚本：一段 8–12 秒的自然语速中文（约 35–55 字），句读完整、覆盖常见音节：
大家好，我是 WorkLoom 的数字员工小织。今天为您播报三条经营要点：答案可见度上升百分之十八，获客成本下降百分之十二。
- 一次性念完，不要中途停顿时长不一致；
- 不要刻意"播音腔"（克隆要复刻的是日常音色，不是表演腔）；
- 记下逐字稿——这是
ref_text，比音频本身更常被忽略。
二、录音中：两条纪律
- 环境：关门、关风扇、关提示音；手机静音。底噪每降 6dB，克隆稳定性上一个台阶。
- 电平：峰值落在 -12 ~ -6 dBFS（真峰值不超 -3 dBTP）；过小后期拉起来会连底噪一起放大，过大削波不可逆。
三、录音后：质量门（voicewrite.record 会给实测值）
| 指标 | 阈值 | 不达标怎么办 |
|---|---|---|
| 时长 | 3–20s（3–15s 最佳） | 太短补录；太长裁到语音段（工具已自动裁剪首尾静音） |
| 语音活动占比 | ≥ 0.35 | 说明大部分是静音：检查麦是否选对、增益是否过低 |
| 真峰值 | ≤ -0.3 dBTP（准备后 ≈ -2 dBTP） | 削波必须重录——削掉的波形补不回来 |
| 句读完整 | 首尾不截字 | 回退 0.15s 补边（工具默认做） |
四、转写纪律（ref_text）
- 转写必须逐字匹配参考音频，包括数字读法（"18%" → "百分之十八"）；
- 自动转写（ASR）可用时优先用它，但要人工过一眼：中文数字、英文缩写、专有名词是 ASR 的高频错处；
- ASR 不可用时必须显式提供逐字稿，不许猜（
ref_text_required是硬错误，不降级）。
为什么较真：零样本克隆是"用参考音频 + 它的文字"共同定位发音空间的。转写错一个字，模型会把错音也学过去，或干脆提前收尾。
五、常见翻车与处置
| 现象 | 根因 | 处置 |
|---|---|---|
| 克隆出来"发飘、气声重" | 参考录音底噪大 / 电平过低 | 换安静环境重录，电平提到 -12~-6 dBFS |
| 克隆"不像本人" | 参考是播音腔或情绪过强 | 用日常说话语气重录同一段稿 |
| 合成句尾被吞 | 参考音频结尾带长静音 / 转写不含尾部内容 | 裁掉尾部静音，转写与音频严格对齐 |
| 中文数字读错 | 转写里写了阿拉伯数字 | 逐字稿统一写中文读法 |
| 跨语言音色漂移 | 参考语言与输出语言跨度太大 | 选多语种引擎（如带 646+ 语种的引擎），或用目标语言参考补一个档案 |
输出契约
采集环节必须能给出：设备名、时长、语音活动占比、真峰值、逐字稿、质量门结论（ok / 具体不达标项）， 以及"是否需要重录"的明确判断。