中文 TTS 模型如何朗讀數字：600 個語音複製樣本基準測試

摘要

數字語音錯誤是語意問題，不只是發音問題。TTS 系統可以聽起來非常流暢，卻漏掉識別碼中的零、把 9*14 讀成九十四，或移除面積單位的指數。中文尤其容易暴露這個盲點，因為 001000000066、9*14 或 12cm² 的正確讀法取決於這些符號在句子中的角色，而不只是符號本身。

我們使用內部資料集中的兩個中文參考音色，測試四個語音複製模型系列：Fish Audio S2.1、CosyVoice3-RL、IndexTTS2 與 Qwen3-TTS Base。每個模型與音色組合都接收相同的 75 句商務情境文字，共產生 600 個音訊樣本。

在自動數字完全匹配指標上，Fish Audio S2.1 以 79.3%（119/150）排名第一，CosyVoice3-RL 以 74.7%（112/150）排名第二。但總分掩蓋了模型間截然不同的表現：CosyVoice3-RL 在識別碼達到 90.0%；Qwen3-TTS Base 的識別碼得分為 0%，卻在公式與科學單位均以 86.7% 領先。

這是自動篩選基準，並非人工聽測。附錄B提供一組另外產生的試聽音訊；這些音訊不是基準測試樣本。

為什麼數字 TTS 是語意問題

正確朗讀數字，並不等於清楚念出每個數字。TTS 模型必須先判斷數字在句子中的角色：

因此，一句流暢的話仍可能包含嚴重的數字錯誤。對識別碼、金額、測量值與公式而言，這類錯誤可能比輕微的發音瑕疵更危險。

基準測試概覽

實驗設計

1. 建立五組均衡提示

每個模型與音色組合使用 75 句中文，五個數字類別各 15 句。

1. 小數測試中間的零、重複數字與小數末尾的零。
2. 識別碼使用合成、無法歸屬到個人的長數字序列，其中包含開頭與重複的零，不能合併讀成一般數值。
3. 貨幣涵蓋 USD、CNY、JPY、CAD、AUD、SGD 與 HKD，包括語意不明確的 $ 與 ¥。
4. 公式涵蓋乘法與除法，包括 二分之三 與 三除以二 等同義讀法。
5. 科學與工程單位涵蓋 cm、µm 與 nm。

每句載體文字都依照真實的商務、工程、物流或營運訊息個別撰寫，而不是在同一個範本中替換目標值。

2. 固定參考音色

四個模型系列都複製了內部資料集中的同兩個中文參考音色。

分數合併兩個參考音色，因此每個模型系列共有 150 個評估樣本。

3. 原樣傳送顯示文字

本基準在合成前刻意不把數字展開為讀法。

例如：

1

维修平台确认，本次设备校验码为001000000066。

我們沒有把數字替換成預期讀法：

1

维修平台确认，本次设备校验码为零零一零零零零零零零六六。

這樣可以單獨觀察模型的文字正規化行為。在實際產品中，預先展開關鍵數字通常更安全；但在本次實驗中，這樣做會消除我們想測量的問題。

4. 產生並統一音訊格式

開放權重模型從固定 checkpoint 執行，並在支援時使用確定性隨機種子。Fish Audio S2.1 的每個請求都設定了 normalize=true。 服務採用 normal latency 模式，因此這裡的分數代表啟用供應商正規化器後的 Fish Audio S2.1。

我們把各供應商輸出統一為單聲道、24 kHz、16-bit PCM WAV，並檢查聲道數、取樣率、取樣寬度與可解碼性。

全部 600 個產生樣本都通過格式檢查。

5. 轉寫並評估數字含義

每個產生檔案都使用同一個固定 revision 的 Qwen/Qwen3-ASR-1.7B 轉寫。我們將 ASR 轉寫與目標轉換為依類別定義的正規值，再要求完全匹配。因此，即使周圍句子流暢，缺少零、運算子改變、貨幣衝突或指數遺失都會判定失敗。各類別規則請見文末附錄。

結果

結果彙整兩個內部參考音色。貨幣輸出依照附錄中的歧義感知策略，根據儲存的判定轉寫重新評分。綜合分數以每個模型系列 150 個樣本為基礎，每個類別分數則以 30 個樣本為基礎。

Fish Audio S2.1 以 79.3% 的綜合得分領先，但沒有任何模型贏得所有類別。更值得關注的是：當相同數字分別代表識別碼、小數、金額、公式或單位時，各模型的失敗方式明顯不同。

識別碼：模型差距最大的類別

識別碼的模型間分差最大。主要問題不是發音品質，而是序列完整性：模型會合併數字、漏掉重複的零，或插入額外數字。

小數：整體較穩定

小數是最可靠的類別。它有熟悉的口語結構，因此比要求嚴格保留每個位置的識別碼更容易。

貨幣：區分金額與符號

我們分別判斷口述金額與貨幣含義。單獨的 $ 不能唯一指定某個地區的貨幣，但明確寫出 CAD 或 加拿大元 的輸入必須讀成加拿大元。在評分樣本中，Fish Audio S2.1 把明確的 HK$100 讀成美元；CosyVoice3-RL 的多數失敗則改變了金額本身。

公式：運算子容易遺失

一個聽起來自然的數字仍可能包含語意錯誤：乘法運算子消失後，9*14 就變成 94。

科學與工程單位：指數必須保留

即使基數與單位仍可辨認，平方指數一旦遺失，面積測量就會變成不同的含義。

模型結論

可重現性資訊

限制

• 判定器是 ASR 模型，而不是中文母語者聽測小組。ASR 錯誤可能被誤判為 TTS 錯誤。
• 兩個內部參考音色無法代表所有中文說話者、口音、音高或錄音條件。
• 本基準測試原始顯示寫法。正式環境中的文字正規化層可以顯著改善結果。
• 百分比根據合併兩個音色後、每個模型系列與類別的 30 個樣本計算；不應過度解讀較小差異。
• 供應商服務與模型實作可能在固定評估日期後改變。

結論

中文數字 TTS 沒有全能贏家。

Fish Audio S2.1 是表現最均衡的模型系列，並以 79.3% 的綜合得分領先。CosyVoice3-RL 在識別碼最強。IndexTTS2 的小數得分為 100%，但長數字序列表現較弱。Qwen3-TTS Base 在三個符號密集類別最強，卻未通過任何識別碼樣本。

比排名更重要的是：數字含義是一個獨立的可靠性面向。如果朗讀錯誤的數字可能改變付款、測量、路線、身分或存取決策，就應明確正規化輸入，並在合成後再次驗證。

附錄 A：依類別劃分的正規化規則

附錄 B：公開音訊範例

為什麼加入試聽範例： 彙總分數可以說明模型多常產生預期讀法，卻無法呈現錯誤聽起來是什麼樣。下方範例讓主要失誤變得具體：數字遺漏或成組朗讀、小數結構改變，以及運算子或指數遺失。這20段音訊只用於試聽，是另外產生的展示集，不屬於600個樣本的基準測試，也未參與文中百分比的計算。

展示所使用的合成參考音訊

四個系統都使用同一段AI生成的Qwen3-TTS Serena音訊作為聲音參考。建議先試聽這段音訊，了解下方各個展示嘗試重現的共同音色。

參考文字： 今天我们将讨论项目进度、客户反馈与后续安排。请各位确认会议内容，并在结束后整理需要继续跟进的事项，感谢大家的配合。

識別碼範例

輸入： 维修平台确认，本次设备校验码为001000000066。

目標： 零零一零零零零零零零六六

小數範例

輸入： 值班工程师在电话会上报告：“主回路当前读数是3168.846。”

目標： 三千一百六十八点八四六

貨幣範例

輸入： 设计负责人提醒大家，加拿大外包插画的尾款还有$640未付。

可接受目標： 金額 640，加上美元類別的讀法

公式範例

輸入： 生成标签底稿时，把画布网格参数填写为9*14。

目標： 九乘以十四

科學與工程單位範例

輸入： 封装测试要求导热贴的接触面积达到12cm^2。

目標： 十二平方厘米