我养了两个月的AI助理,声音一直是没调过的原声

昨天下午我让汤汤说了句话，听着不对。

不是"难听"的那种不对，是你说不上来、但就是别扭的不对——像隔着一层毛玻璃跟你说话，背景里还压着一层嘶嘶的底噪。

我盯着屏幕看了一会儿。这个声音，我听了两个月了。

> 「配图1：耗时对比图」

一句话痛点

你以为你在调音色，其实你调的是一段从来没被执行过的代码。

要点1：那个"杂音"，是我自己写的参数不合法

我打开服务端的音色处理代码，找到那段滤镜链。

它长这样：

> 「配图3：参数对比图」

`anlmdn=n=64:m=0.6`——看着挺专业吧？降噪强度、平滑系数，写得明明白白。

问题是，ffmpeg 的 anlmdn 根本没有 `n` 这个参数。

我去翻官方说明，它只有 `s`（强度）、`p`（块大小）、`r`（搜索范围）、`m`（平滑）。而且 `m` 的取值范围是 1 到 1000，我写的 0.6 也是越界的。

更要命的是前面还有一处：`afftdn=...:nt=w`。`nt` 要的是 0 到 3 的整数，我写了个字母 `w`。

一个参数写错，整条滤镜链就解析失败。

而我的代码里正好有一段"贴心"的兜底：

if proc.returncode == 0 and proc.stdout:

return proc.stdout

return audio_bytes      # ffmpeg 失败就回退原声，不报错

意思是：处理失败不要紧，我给你原声，别把服务搞挂就行。

当时我觉得自己想得挺周到。

结果就是——过去两个月，我听到的每一声，都是没降噪、没限幅、没做响度标准化的原始输出。

响度 -25.5dB 是什么概念？就是声音特别小。我为了听清，把系统音量拧得很大；音量一大，底噪也跟着被放大——我听到的那些"杂音"，其实是我自己把音量拧上去拧出来的。

要点2：她念出了不该念的东西

还有一件事。

有时候她开口，会蹦出一些莫名其妙的话——听着像是我写给她的设定，"你是汤汤，小包的师傅，一个慵懒又撩人的御姐"这种。

我一直以为是模型的毛病，骂了她好几次。

后来我做了个对照实验：同一句话，一次带着那段 401 字的设定发给她，一次什么都不带。

带设定那次，音频长了 2 秒。

那 2 秒，就是她把设定当台词念了出来。

你可能会问，那为什么还要发设定？

因为这是接口要求的——`messages must contain an assistant role`。我必须把"设定"放在 user 那一格，把要念的话放在 assistant 那一格，模型得先读完设定，再开口。

我等于每次都跟她说一遍："你要记住你是个慵懒的御姐，语速慢一点，尾音带点笑意……好了，现在说'小包，吃饭了没？'"

她当然会把前面那段也念出来。

把设定去掉之后（那一格留空），她反而干净了。

那音色怎么办？交给 ffmpeg——降噪、EQ、限幅、响度标准化，一套做下来，比"念一段文字指望模型听话"靠谱得多。

要点3：慢，也是我造成的

一段设定而已，能慢到哪去？

实测：

• 带设定：8.49 秒

• 不带设定：2.51 秒

3.4 倍。

而且这还只是模型那一段。我后来又发现，每次合成完，代码会顺手给手机音箱推一份音频——本该是个后台动作，我写成了同步的。

音箱没开的时候，每次都要等连接超时。一句 3.7 秒的合成，硬生生拖成 5.7 秒。

改成后台线程发，这 2 秒就没了。

> 「配图2：服务日志截图」

现在每合成一句，日志里都会打一行：`合成 2003ms + 后处理 330ms = 2338ms`。慢在哪一段，一眼就能看见——这个改动比修复本身更值钱。

现在是什么样

• 短句从 5.76 秒降到 2.21 秒

• 同一句话第二次说，0.02 秒（走缓存）

• 响度从 -25.5dB 提到 -18.4dB，不用再把音量拧到底

• 她不再念我写给她的设定了

> 「配图4：金句图」

写在最后

让我难受的不是那两处参数写错——参数那么多，谁都会写错。

难受的是：我写了"失败就回退原声"的兜底，还觉得自己挺稳妥。那个兜底把错误吞掉了，于是问题永远暴露不出来。

我以为我在养一个会说话的助理，结果有两个月，我听的都是没处理过的原声。

所以我现在的习惯是：每加一层"容错"，就顺手加一行日志。

你留下的那行日志，就是下次救你的那双手。

你手上有没有那种"以为在跑、其实没跑"的自动化？评论区说说，我去看看。