在口播类短视频与播客的制作链路里，稿子写得顺，不等于读得顺。我们把问题拆成一个可测量的任务：给定一段纯文本口播稿，预测说话人应在何处停顿、停多久，以及哪些词句需要放慢或加重。
做法上先建标注规范：将停顿分为短停（0.2~0.35秒）、中停（0.4~0.7秒）、长停（0.8秒以上）三级，标注意义单元边界与重音位置；再以小规模标注数据训练序列标注模型，输入为分词、标点、句长与语义单元位置等特征。
【阶段进展】在120条、约4.6万字的口播稿测试集上，停顿位置预测F1约0.87，停顿时长预测平均绝对误差约0.12秒。主要错误集中在长句内部误插停顿，占错误样本的六成左右；带括号补充说明的句子最容易出错。
【下一步】把预测结果接回TTS试听回路，用人工听感打分与完播数据做二次校准，并补充不同主播语速档位的对照样本，观察规范是否需要分档维护。
需要说明的是，当前结论只覆盖我们自己的稿库和两位主播的语速习惯，跨语种、跨风格是否成立，还要更多数据验证。
评论