← 返回文章

我的 AI 播客有了中文版:169 集,以及背后的工程

我的四个 AI 播客系列都有了普通话版本,共 169 集、约 35 小时音频。为了做出这个能力,我比较了 7 个语音合成引擎和 11 个语音识别模型,亲耳判断了约 330 段音频,找到并修复了 14 类问题。

交互版

我的四个 AI 播客系列现在都有了普通话版本:共 169 集,约 35 小时音频。主持人还是那两位:Maya 和 Leo,只是这次说普通话。

这四个系列是《Mastering Language Models》《Agentic Coding Capability》《Agentic Safety & Alignment》,以及一组独立单集。中文版合计超过 10,000 轮对话、超过五十万个汉字。

这篇文章讲的是背后的能力:我比较了哪些模型,哪些地方必须靠耳朵听,一路上找到并修复了多少问题。整个过程用了大约三个月。生产环境用的是哪些模型、各部分怎么衔接,我不在这里公开。

比较了哪些模型

语音合成方面,我比较了 7 个引擎:Chatterbox、CosyVoice3、Fish Audio、GPT-SoVITS、IndexTTS2、Kokoro 和 VoxCPM2。

要自动检查音频,先得有可靠的语音识别。我从自己的播客里挑出 168 段音频,约 25 分钟,逐段听过并标注,再用它们测试了 11 个开源中文语音识别模型。在我确认读音正确的片段上,最准的模型约有 2.4% 的字识别错误,最不准的错 14.3%。

但准确率高并不等于适合做质检。最准的几个模型有时会把合成语音读错的字悄悄"纠正"过来,错误在转写稿里就看不见了。质检要的是听到实际说了什么,而不是本该说什么。

哪些地方靠耳朵

我最早生成的中文音频通过了自动检查,一听却不合格。有些问题在转写稿里根本体现不出来,所以检查流程里一直保留人耳这一环。

我一共亲耳判断了约 330 段音频:

听什么 段数
在听审页面上判断的片段 173
用来校准自动检查的盲听样本 79
其他盲听测试 80

选定生产用的声音之前,我还完整听了 8 集。

在我给出"合格"或"有问题"结论的 262 段里,47 段有问题,约占 18%。我给自己定的规则是:机器检查全部内容,只有机器判定不了的才交给我听。

找到并修复的问题

整个项目中,我在中文音频和脚本里找到并修复了 14 类不同的问题。具体是哪些,这里不列,因为这份清单本身就是一张流水线的地图。

这项工作累计超过 100 处针对中文的代码改动。最近一次运行通过了 2,200 多个自动化测试;任何提交之前,这道测试门禁都必须通过。

现在,流水线会对每一集新节目运行 7 类自动检查。最后一轮修复检查了 124 集里的 7,792 轮对话,选出其中约 1,000 轮重新生成,这 124 集全部合入正式版本。

让检查少报假警,和让检查更严格同样重要。一个噪声很大的检查修好之后,等我去听的集数从 28 集降到了 6 集。

这项能力意味着什么

现在,这套流程做出的中文播客,我愿意署名;我也希望自己的时间只花在真正需要人来判断的地方。我认为同样的方法也能用到下一种语言上。