Fish Speech 1.5语音合成教程：处理电话号码、身份证号、时间读法

你是不是遇到过这样的问题？用语音合成工具读一串电话号码，结果它一个数字一个数字地往外蹦，听起来特别别扭。或者让它读身份证号，它把“110101199001011234”读得像一串毫无感情的密码，完全不符合我们日常交流的习惯。

这就是我们今天要解决的问题。Fish Speech 1.5作为一个强大的语音合成模型，虽然能生成非常自然的语音，但在处理这些特殊格式的数字串时，也需要我们给它一些小小的“提示”。这篇文章，我就手把手教你，怎么让Fish Speech 1.5像真人一样，流畅自然地读出电话号码、身份证号和时间。

1. 为什么需要特殊处理？

在开始动手之前，我们先搞清楚为什么这些内容需要特殊对待。

1.1 机器读法和人读法的区别

对于机器来说，文本就是一串字符。它看到一个数字序列“13800138000”，它的默认处理方式就是按字符顺序读：“一三八零零一三八零零零”。但这不是我们人类的习惯。我们读手机号时，会自然地分成“138-0013-8000”或者“138 0013 8000”这样的节奏。

同样，对于时间“14:30”，机器可能读成“十四冒号三十”，而我们希望它读成“下午两点半”或“十四点三十分”。

1.2 Fish Speech 1.5的“理解”边界

Fish Speech 1.5基于海量数据训练，对常规文本的语义和语调把握得很好。但对于没有明确上下文或固定格式的数字串，它缺乏判断该如何“断句”和“转义”的通用规则。我们的任务，就是通过文本预处理，把这些规则“喂”给它。

简单说，我们要做的不是改变模型，而是优化输入给模型的文本，让它“吃”进去的就是容易消化、符合人类表达习惯的内容。

2. 环境准备与快速上手

在开始处理特殊文本之前，我们先确保你能用上Fish Speech 1.5。如果你已经部署好了，可以跳过这一节，直接看第三节。

2.1 访问Web界面

假设你已经通过CSDN星图平台部署了Fish Speech 1.5的镜像，那么打开浏览器，输入你的服务地址（通常是 https://gpu-{你的实例ID}-7860.web.gpu.csdn.net/），就能看到下面这个简洁的界面。

界面主要分三块：

1. 左侧输入区：在这里输入或粘贴你要合成的文本。
2. 右侧设置区：可以调整语音参数，或者上传参考音频进行声音克隆。
3. 底部控制区：点击“开始合成”按钮，等待一会儿，就能播放或下载生成的音频了。

2.2 你的第一次合成

我们来做个最简单的测试，确保一切正常。

1. 在“输入文本”框里，写上：你好，欢迎使用Fish Speech语音合成。
2. 其他参数先保持默认。
3. 点击“开始合成”。

稍等片刻，你应该就能听到一句清晰、自然的问候语音了。如果成功，说明你的环境没问题，我们可以进入正题了。

3. 电话号码的自然读法处理

电话号码的处理核心是分组。不同的号码长度和类型（手机、座机），分组方式不同。

3.1 中国大陆手机号（11位）

标准格式是 1xx-xxxx-xxxx。我们需要在输入文本中手动添加空格或短横线来引导模型。

• 原始号码：13800138000
• 不佳输入：直接输入13800138000，模型很可能读成“一三八零零一三八零零零”。
• 推荐输入：
  • 方式一（空格分隔）：138 0013 8000
  • 方式二（短横线分隔）：138-0013-8000
  • 方式三（带“电话”上下文）：我的电话是 138 0013 8000。

小技巧：在号码前加上“电话是”或“号码是”这样的上下文，能进一步帮助模型确定这是电话号码，从而采用更合适的语调和停顿。

3.2 座机号码（带区号）

座机号码通常包含区号，读法更注重区号和本地号码的分离。

• 原始号码：010-12345678
• 不佳输入：01012345678
• 推荐输入：
  • 010 - 1234 5678 （注意区号后的空格和短横线）
  • 区号010，号码是1234 5678。

对于像“12345678”这样的8位本地号码，常见的读法是分成“1234”和“5678”两组。

3.3 处理代码示例（Python思路）

如果你需要批量处理大量文本中的电话号码，可以用一段简单的Python代码来自动化格式化。这里提供个思路，你可以在你的应用程序中调用。

import re

def format_phone_number(text):
    """
    自动格式化文本中的中国大陆手机号和带区号座机号。
    """
    # 格式化11位手机号 (1xx-xxxx-xxxx)
    def format_mobile(match):
        num = match.group(0)
        return f"{num[:3]} {num[3:7]} {num[7:]}"
    # 匹配11位手机号
    text = re.sub(r'\b1[3-9]\d{9}\b', format_mobile, text)
    
    # 格式化带区号的座机号 (010-1234-5678)
    def format_landline(match):
        area, local = match.groups()
        # 本地号按4-4分组
        if len(local) == 8:
            local = f"{local[:4]} {local[4:]}"
        return f"{area} - {local}"
    # 匹配3-4位区号加7-8位本地号，分隔符可为-或空格或无
    text = re.sub(r'\b(0\d{2,3})[- ]?(\d{7,8})\b', format_landline, text)
    
    return text

# 示例用法
raw_text = "请联系13800138000或致电01012345678。"
formatted_text = format_phone_number(raw_text)
print(formatted_text) # 输出：请联系138 0013 8000或致电010 - 1234 5678。

把formatted_text丢给Fish Speech 1.5，它读出来的效果就会自然得多。

4. 身份证号的流畅朗读

身份证号是一个18位的长数字串（最后一位可能是X），直接读会非常冗长。在日常生活中，我们通常会分段朗读。

4.1 标准的分段与读法

中国大陆18位身份证号的结构是：6位地址码 + 8位出生日期码 + 3位顺序码 + 1位校验码。

• 原始号码：110101199001011234
• 不佳输入：直接输入完整号码。
• 推荐输入：将号码分段，并在每段之间加入明显停顿（如逗号或空格）。
  • 110101，19900101，123，4 （按逻辑分段）
  • 110101 19900101 123 4 （用空格分隔）

重要提示：出于隐私和安全考虑，在教程或测试中，请务必使用虚拟的、非真实的身份证号码，例如上面这种明显编造的样例。

4.2 更自然的表达方式

在某些场景下，你甚至不需要完整读出18位数字。

• 场景一（仅需后四位）：您的证件尾号是1234。
• 场景二（提及生日）：生日是1990年1月1日。（从身份证号中提取）
• 场景三（核对信息）：请核对：地址码110101，出生日期1990年1月1日，顺序码123，校验码4。

根据你的实际应用场景，选择最合适的读法，远比机械地朗读全部数字要好。

5. 时间与日期的正确读法

时间和日期的格式非常多样，处理的目标是让它们从“文本符号”变成“口语表达”。

5.1 24小时制时间

• 原始文本：会议在14:30开始。
• 不佳输入：直接输入14:30，可能被读成“十四冒号三十”。
• 推荐输入：
  • 会议在下午两点三十开始。（转换为12小时制口语）
  • 会议在十四点三十分开始。（保持24小时制但读全）
  • 会议在下午两点半开始。（使用“半”）

5.2 日期

• 原始文本：2024-03-15
• 不佳输入：直接输入，可能被读成“二零二四杠零三杠一五”。
• 推荐输入：
  • 2024年3月15日。（转换为中文日期格式）
  • 二零二四年三月十五日。（纯中文读法）

5.3 处理代码示例（Python思路）

同样，我们可以用代码批量转换文本中的时间日期格式。

from datetime import datetime

def format_time_in_text(text):
    """
    将文本中的24小时制时间（如14:30）转换为口语化表达（下午两点三十）。
    """
    def time_to_spoken(match):
        hour, minute = map(int, match.groups())
        if hour < 12:
            period = "上午"
            spoken_hour = hour if hour != 0 else 12
        elif hour == 12:
            period = "中午"
            spoken_hour = 12
        else:
            period = "下午"
            spoken_hour = hour - 12 if hour > 12 else hour # 处理12点以后
        
        if minute == 0:
            spoken_minute = ""
        elif minute == 30:
            spoken_minute = "半"
        else:
            spoken_minute = f"{minute}分"
        
        return f"{period}{spoken_hour}点{spoken_minute}".rstrip("点") # 如果分钟为空，去掉多余的“点”
    
    # 匹配 HH:MM 格式
    import re
    text = re.sub(r'\b(\d{1,2}):(\d{2})\b', time_to_spoken, text)
    return text

# 示例用法
raw_text = "明天14:30开会，请于09:00前报到。"
formatted_text = format_time_in_text(raw_text)
print(formatted_text) # 输出：明天下午两点半开会，请于上午9点前报到。

6. 综合实战与高级技巧

现在，我们把所有技巧融合起来，处理一段包含多种特殊信息的真实文本。

6.1 实战案例

假设我们有这样一段待合成的文本：

“请记录：用户张三，联系电话13812345678，身份证号310101198001010012，预约时间为2024-05-20的14:00。”

未经处理的输入：直接复制上面这段话给Fish Speech 1.5，效果可能不理想。

优化后的输入：

“请记录：用户张三，联系电话 138 1234 5678，身份证号 310101，19800101，001，2，预约时间为2024年5月20日的下午两点。”

优化点分析：

1. 电话号加了空格分组。
2. 身份证号被分段，并用逗号隔开，制造停顿。
3. 日期被转换成了中文格式。
4. 时间被转换成了12小时制口语。

6.2 使用声音克隆提升专业度

对于客服、播报等固定场景，你可以使用Fish Speech 1.5的“声音克隆”功能，让合成的声音更具品牌一致性或亲和力。

1. 在Web界面右侧，展开“参考音频”设置。
2. 上传一段5-10秒、清晰的目标人声录音（例如，专业的客服录音）。
3. 在“参考文本”中，准确填写这段录音对应的文字。
4. 在“输入文本”中，填入你优化好的文本（如上面优化后的预约提醒）。
5. 点击合成。生成的语音就会在保持高自然度的同时，带有参考音频的音色特征。

6.3 参数微调让发音更完美

如果觉得某些句子的语调或节奏还是有点怪，可以尝试调整右侧的高级参数：

• Temperature (随机性)：调低（如0.5）会让发音更稳定、准确；调高（如0.9）会更有感情起伏，但也可能产生奇怪的重音。对于数字读法，建议先尝试较低的值。
• Top-P (采样多样性)：和Temperature配合使用，通常保持0.7-0.9即可。
• 重复惩罚：如果发现某个数字或词语被不自然地重复，可以适当调高此值（如1.2）。

7. 总结

让AI语音合成听起来更自然，尤其是处理好电话号码、身份证号、时间这些细节，关键就在于“预处理”和“引导”。Fish Speech 1.5是一个强大的工具，但它需要清晰、符合人类习惯的指令。

我们来快速回顾一下要点：

1. 电话号码：记得分组，用空格或短横线分开1xx-xxxx-xxxx。
2. 身份证号：分段并添加停顿，根据场景决定是否要读全。
3. 时间日期：把14:30变成“下午两点半”，把2024-03-15变成“2024年3月15日”。
4. 综合处理：在输入文本前，花一分钟时间按照上述规则手动修改一下，效果立竿见影。对于批量任务，可以写个简单的脚本自动处理。
5. 进阶优化：结合“声音克隆”功能获得专属音色，并通过微调Temperature等参数来微调语音风格。

记住，最好的效果来自于你对场景的理解和细致的调整。现在就去试试，让你合成的语音听起来更像一个真正的人在说话吧。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。