MOSS 音频质量调优

长文本自然度、流式播放、分段策略、推荐预设与质量诊断。

MOSSLong textAudio quality

本项目只参考 MOSS-TTS-Nano 的官方推理思路，不复制官方 runtime。AngeVoice 在适配层重点解决中文用户常遇到的长文本问题：切片过碎、英文/中英混排硬切、3-5 秒异常静音、流式播放断流感、片段拼接电流感、局部重复读和音色漂移。

默认策略

默认值以“稳定、自然、NAS 可承受”为目标：

KOKORO_SEGMENT_LENGTH=160
KOKORO_STREAM_CHUNK_SECONDS=0.55
KOKORO_STREAM_PREBUFFER_SECONDS=0.25

MOSS_SEGMENT_LENGTH=120
MOSS_VOICE_CLONE_MAX_TEXT_TOKENS=56
MOSS_MAX_NEW_FRAMES=320
MOSS_SAMPLE_MODE=fixed
MOSS_SEED=1234
MOSS_APPLY_ANGEVOICE_RULES=auto
MOSS_MIXED_ENGLISH_POLICY=translate
MOSS_STREAM_CHUNK_SECONDS=0.40
MOSS_STREAM_QUEUE_MAX_ITEMS=8
MOSS_STREAM_PREBUFFER_SECONDS=0.75
ANGEVOICE_WEBSOCKET_STREAM_IDLE_TIMEOUT_SECONDS=120
ANGEVOICE_ENGINE_PROCESS_STREAM_IDLE_TIMEOUT_SECONDS=120

MOSS_AUDIO_POLISH_ENABLED=true
MOSS_TRIM_SILENCE_ENABLED=true
MOSS_TRIM_SILENCE_DB=-45
MOSS_MAX_SILENCE_MS=480
MOSS_CROSSFADE_MS=12
MOSS_SEGMENT_PAUSE_MS=80
MOSS_RUNTIME_PAUSE_MAX_MS=350
MOSS_OUTPUT_TARGET_PEAK=0.86
MOSS_OUTPUT_GAIN=0.94
MOSS_OUTPUT_EDGE_FADE_MS=1.5
MOSS_VRAM_SNAPSHOT_TTL_SECONDS=10

这些参数分别解决什么

MOSS_MIXED_ENGLISH_POLICY：MOSS 中英文混排策略。默认 translate 会把 deadline、work-life balance、personal growth 等常见英文词组转成自然中文，优先减少长停顿、怪声和尾部漂移；需要保留英文原文时改为 preserve。
MOSS_SEGMENT_LENGTH：AngeVoice 外层自然切片长度。默认 120 是面向稳定性的保守值，用较短分段降低中英文混合尾部变调、卡顿和失真；高显存机器可在后台切到 180-260。
MOSS_VOICE_CLONE_MAX_TEXT_TOKENS：MOSS runtime 内部切片 token 上限。太小会让一句话被拆成多段，太大则可能增加显存和生成不稳。
MOSS_MAX_NEW_FRAMES：生成帧预算。长句过低可能吞尾、突然断；过高可能拖慢或尾部重复。
MOSS_AUDIO_POLISH_ENABLED：开启最终音频自然化后处理。
MOSS_TRIM_SILENCE_ENABLED：裁掉每个 chunk 首尾异常静音，减少段间“卡住”。
MOSS_MAX_SILENCE_MS：最终音频中超过该上限的连续静音会被压缩。默认 480ms，能减少“卡住几秒”的听感；旁白特别需要长停顿时可提高。
MOSS_CROSSFADE_MS：HTTP 非流式拼接时的短 crossfade，减少硬切电流感。默认 12ms，过大可能抹掉辅音和边界动态。
MOSS_SEGMENT_PAUSE_MS：AngeVoice 外层文本段之间补的短停顿。推荐 80-180。
MOSS_RUNTIME_PAUSE_MAX_MS：MOSS runtime 估算出的内部 chunk pause 上限，避免出现 2-5 秒异常空白。
MOSS_STREAM_PREBUFFER_SECONDS：浏览器开始播放前的初始缓冲。默认 3.0，用更充足首包等待降低长文本断续；低延迟短句可降到 2.0。
MOSS_REALTIME_STREAMING_DECODE：逐帧实时解码开关。默认开启，保持低延迟流式体验；若特定设备出现边界噪声或显存压力，可在后台关闭。
ANGEVOICE_WEBSOCKET_STREAM_IDLE_TIMEOUT_SECONDS / ANGEVOICE_ENGINE_PROCESS_STREAM_IDLE_TIMEOUT_SECONDS：长文本首帧或分段之间等待下一帧音频的空闲窗口。默认 120 秒，避免 MOSS 慢帧被普通请求超时误判断开。

质量诊断

合成后可以用脚本定位长静音、削波和响度问题：

python scripts/analyze_audio_quality.py output.wav

重点看：

clip_ratio：应接近 0；
long_silence_count：正式旁白最好为 0；
max_silence_ms：默认应被压到 550ms 附近；
silence_ratio：长文本旁白可有自然停顿，但过高会显得卡顿。

后台防呆联动（自动收敛）

从 2.6.5.x 起，管理后台在保存配置或应用预设时，会自动收敛几组高风险参数组合，避免“看似可配、实际不稳”：

MOSS_VRAM_CRITICAL_FREE_MB 会自动保持小于 MOSS_VRAM_SAFE_FREE_MB；
开启实时流式解码时，MOSS_STREAM_PREBUFFER_SECONDS 不低于 MOSS_STREAM_CHUNK_SECONDS（且最低 0.35）；
MOSS_VOICE_CLONE_MAX_TEXT_TOKENS 不高于 MOSS_SEGMENT_LENGTH * 0.5（至少 40）；
MOSS_OUTPUT_GAIN 不高于 MOSS_OUTPUT_TARGET_PEAK * 1.2（软上限）。

这样做的目标是：在保证实时对话首包速度的同时，减少爆音、断续、显存尖峰和长句后半段漂移。

排查建议

出现 2-5 秒卡顿：先确认 MOSS_MAX_SILENCE_MS 和 MOSS_RUNTIME_PAUSE_MAX_MS 是否生效。
出现重复读：降低 MOSS_MAX_NEW_FRAMES 到 300-400，保持 MOSS_SAMPLE_MODE=fixed。
出现尾部吞字：提高 MOSS_MAX_NEW_FRAMES 到 460-500，或略降低 MOSS_SEGMENT_LENGTH。
流式播放卡顿但保存 WAV 正常：提高 MOSS_STREAM_PREBUFFER_SECONDS 到 4.0-6.0，或增大 MOSS_STREAM_CHUNK_SECONDS。
中文听起来碎：先尝试均衡档 MOSS_SEGMENT_LENGTH=180-220；显存充足时再提高到 260，并保持 MOSS_SEGMENT_PAUSE_MS=80-120。

在 GitHub 查看原始文档 ↗

MOSS 音频质量调优

默认策略

这些参数分别解决什么

推荐预设

NAS 稳定

中文长文本旁白（推荐 12GB+ 或确认显存充足后开启）

英文/中英混排旁白（推荐 12GB+）

低延迟流式

质量诊断

后台防呆联动（自动收敛）

排查建议