中文数字读法纠正：Sambert文本归一化规则配置教程
1. Sambert 多情感中文语音合成——开箱即用版
你有没有遇到过这种情况：输入“2025年3月15日”，语音合成系统却念成了“二零二五”而不是“二千零二十五”？或者“第1名”被读成“第一一名”？这种不自然的数字读法，严重影响了语音合成的真实感和用户体验。
这背后的问题，出在**文本归一化（Text Normalization）**环节。而我们今天要讲的主角——Sambert语音合成镜像，虽然功能强大、支持多发音人和情感控制，但默认的文本处理规则对中文数字的处理并不理想。好消息是，它完全支持自定义规则配置，只需稍作调整，就能让数字读得更地道、更符合口语习惯。
本文将手把手教你如何修改 Sambert 的文本归一化规则，重点解决中文数字、日期、序数词等常见场景的读法问题，让你的语音合成效果从“能用”升级到“好用”。
2. 镜像环境与核心能力
2.1 开箱即用的优化版本
本镜像基于阿里达摩院开源的Sambert-HiFiGAN 模型，但我们做了关键优化：
- 深度修复
ttsfrd二进制依赖缺失问题 - 解决 SciPy 接口兼容性报错（常见于新版 Python）
- 内置 Python 3.10 环境，避免版本冲突
- 支持“知北”、“知雁”等多个高质量中文发音人
- 支持情感风格迁移，可生成欢快、温柔、严肃等多种情绪语音
这意味着你不需要再为环境配置头疼，下载即运行，真正实现“一键部署、马上体验”。
2.2 文本归一化：语音合成的第一道关卡
在语音合成流程中，原始文本并不会直接送入模型。它必须先经过一个叫**文本归一化（Text Normalization, TN）**的预处理步骤。这个步骤的作用是：
把非标准写法的文本，转换成适合朗读的标准中文发音形式。
比如：
- “￥199” → “一百九十九元”
- “2025-03-15” → “二零二五年三月十五日” 或 “二千零二十五年三月十五日”
- “No.1” → “第一名”
Sambert 使用的是基于规则的 TN 系统，规则文件以 JSON 格式存储，我们可以直接编辑它来定制行为。
3. 修改中文数字读法规则
3.1 找到规则文件
Sambert 的文本归一化规则通常位于模型目录下的tn_rules/文件夹中，核心文件是：
tn_rules/number.json这个文件定义了数字、小数、百分比、序数词等的转换逻辑。
3.2 默认规则的问题
打开number.json，你会发现类似这样的规则：
{ "pattern": "(\\d+)", "replacement": " $1 ", "description": "split digits" }这种简单拆分会导致“2025”被逐字读成“二 零 二 五”，而不是“二千零二十五”。我们需要更智能的规则。
3.3 添加中文数字读法规则
我们来添加一条新规则，专门处理四位整数的“千位读法”。
示例：让“2025”读作“二千零二十五”
在number.json中添加如下规则（建议放在靠前位置）：
{ "pattern": "([1-9])000", "replacement": "$1千", "description": "如 1000 -> 一千" }, { "pattern": "([1-9])0(\\d{2})", "replacement": "$1千零$2", "description": "如 1025 -> 一千零二十五" }, { "pattern": "([1-9])([1-9])00", "replacement": "$1$2百", "description": "如 1200 -> 十二百" }, { "pattern": "([1-9])([1-9])([1-9])", "replacement": "$1$2$3", "description": "三位数正常读" }这些正则规则的意思是：
([1-9])000：匹配“1000”、“2000”这类整千数，替换为“X千”([1-9])0(\\d{2})：匹配“1025”这种中间带0的四位数，读作“X千零XX”- 其他情况按常规方式处理
3.4 处理日期中的年份
很多人希望“2025年”读作“二零二五年”，而不是“二千零二十五年”。我们可以单独为日期场景设置规则。
在date.json文件中找到年份处理部分，修改或添加：
{ "pattern": "(\\d{4})年", "replacement": "$1年", "postprocess": "digits_to_chinese($1) + '年'", "description": "年份逐字读" }这里的digits_to_chinese是内置函数，会把每个数字转成中文单字。
如果你希望某些年份（如2000年后）用“两千零一年”方式读，可以加判断逻辑，例如：
{ "pattern": "(20[0-2]\\d)年", "replacement": "二千零$1后两位年", "description": "2000-2029 年特殊读法" }（注：实际需结合脚本函数实现，此处为示意）
4. 序数词与编号的正确读法
4.1 “第1名”应该读“第一名”，不是“第一一名”
这是最常见的错误之一。Sambert 默认可能把“第1”拆成“第”+“1”，然后“1”被读成“一”，导致重复。
解决方案：在number.json中添加优先级更高的规则：
{ "pattern": "第(\\d+)", "replacement": "第$1", "postprocess": "replace_ordinal($1)", "description": "第X名 正确读法" }并确保系统中有replace_ordinal函数，其逻辑如下（Python 示例）：
def replace_ordinal(num_str): # 将数字转为中文序数词 mapping = {"1": "一", "2": "二", "3": "三", "4": "四", "5": "五"} return "第" + mapping.get(num_str, num_str)4.2 “No.1”、“Item 3”等英文编号
这类混合文本也需要特别处理。建议在abbreviation.json中添加：
{ "pattern": "No\\.(\\d+)", "replacement": "第$1名" }, { "pattern": "Item (\\d+)", "replacement": "项目第$1个" }这样就能自动转换为中文口语表达。
5. 实际测试与效果对比
5.1 测试用例设计
修改完规则后，一定要进行充分测试。以下是一些典型测试句：
| 输入文本 | 期望读法 | 常见错误 |
|---|---|---|
| 2025年 | 二零二五年 | 二千零二十五年 |
| 1025人 | 一千零二十五人 | 一二五人 |
| 第1名 | 第一名 | 第一一名 |
| 价格￥199 | 价格一百九十九元 | 价格一九九元 |
| 房号302 | 三零二房 | 三百零二房 |
5.2 如何测试
启动服务后，通过 Web 界面或 API 输入测试文本，听输出音频是否符合预期。
如果使用命令行，可以运行：
python synthesize.py --text "2025年，第1名获得1025元奖金" --speaker 知北重点关注数字部分的发音是否自然。
5.3 效果提升对比
| 场景 | 修改前 | 修改后 |
|---|---|---|
| 数字读法 | 机械、生硬 | 自然、接近真人 |
| 日期年份 | 固定模式 | 可定制（逐字/千位） |
| 序数词 | 重复、错误 | 准确、流畅 |
| 用户体验 | 需手动改写文本 | 直接输入即可 |
一次规则配置，长期受益。
6. 进阶技巧与最佳实践
6.1 规则优先级很重要
Sambert 的规则是按顺序匹配的。所以要把更具体的规则放在前面。
比如：
[ { "pattern": "第(\\d+)", ... }, // 先处理“第X” { "pattern": "(\\d+)", ... } // 再处理普通数字 ]如果顺序反过来，“第1”会被先拆成“1”，就无法正确识别为序数词。
6.2 使用上下文感知规则
有些场景需要结合上下文判断读法。例如：
- “电话号码：13812345678” → 应逐字读
- “人数：138” → 应读作“一百三十八”
可以通过添加上下文关键词来区分：
{ "pattern": "电话号码[:：](\\d+)", "replacement": "电话号码 $1", "postprocess": "read_digits($1)" }6.3 备份原始规则
在修改任何.json文件前，请先备份：
cp tn_rules/number.json tn_rules/number.json.bak万一改出问题，可以快速恢复。
6.4 逐步迭代，不要一次性大改
建议每次只修改1-2条规则，测试通过后再继续。这样更容易定位问题。
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。
