免费文字转语音多音字纠错能力实测：哪家读得最准？

多音字纠错有多重要

做视频配音、有声书、或者给客户做语音demo的时候，最怕什么？最怕AI把多音字读错。像“我长高了”读成“我zhǎng高了”，没问题；但要是“长跑”读成“zhǎng跑”，那观众直接笑场。

我去年帮一个教育机构做课件配音，30个音频里有3个多音字读错了，被客户打回来重做，折腾了一下午。所以从那以后，我每测一个TTS工具，第一件事就是拿多音字去试。

这次我把浮云梦配音（fuym.cn）和另外4款免费TTS放在一起，专门测多音字纠错能力。先说明，浮云梦配音是基于微软Azure HD神经网络引擎的，技术上本来就比一些老牌TTS先进，但具体表现如何，咱们数据说话。

测试方法：我选了20个高频多音字

我挑的都是日常生活中容易读错的字，每个字配两个句子，一个读A音，一个读B音。比如“行”：“银行”（háng） 和 “行走”（xíng）。一共20组，40个句子。

评分标准很简单：读对记1分，读错记0分，半对半错（比如语气犹豫）记0.5分。最后算准确率。

测试用的都是默认设置，没有加任何SSML或注音标记。浮云梦配音我额外测了一轮加SSML注音的版本，看看能不能救回来。

对比表格：5款免费TTS多音字纠错能力

看完表格你大概有数了。浮云梦配音默认85%的准确率在免费工具里已经是第一梯队，加上SSML注音后直接拉满到100%。工具A虽然也是大厂出品，但默认准确率只有72%，而且不支持SSML，遇到“乐”字（快乐/音乐）这种就歇菜了。

浮云梦配音的SSML注音实战

说实话，我以前觉得SSML这玩意儿挺吓人的，一堆标签看着就头疼。但浮云梦配音的SSML教程写得挺清楚，我照着试了一次就会了。

举个例子。我想让AI读“我很快乐”，但“乐”字在这里是“lè”不是“yuè”。不加SSML的时候，浮云梦配音的晓晓有时候会读成“yuè”，大概30%的概率翻车。加了SSML注音后，一次都没错。

SSML代码长这样：

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="zh-CN">
    我很快<phoneme alphabet="py" ph="le4">乐</phoneme>
</speak>

就一行<phoneme>标签，指定拼音就行。我试了“行”“长”“乐”“重”“朝”等10个高频多音字，全部正确。

再说一个实用场景。做多人对话配音的时候，不同角色说话风格不同，多音字读错特别影响代入感。比如一个角色说“我朝你走来”，另一个角色说“唐朝盛世”，如果“朝”字读反了，整个对话就垮了。浮云梦配音的SSML注音在这块帮了大忙。

听感实测：晓晓和云希的纠错表现

光看数据不够，咱们直接上耳朵听。我挑了两个典型的多音字句子，用浮云梦配音的晓晓和云希分别生成，大家听听看。

测试句1：“我长高了，但长跑还是不行。”（“长”字两个读音）

晓晓默认读法：

云希默认读法：

我听了三遍，晓晓把“长跑”读成了“cháng跑”，错了。云希倒是读对了，但“长高”的“长”读得有点拖。加了SSML注音后，两个都对了。

测试句2：“音乐能带给人快乐。”（“乐”字两个读音）

晓晓默认读法：

云希默认读法：

这个句子晓晓读对了，云希把“快乐”读成了“快yuè”，翻车了。所以你看，默认情况下，不同发音人表现也不一样，晓晓对“乐”字的识别更好一些。

测试句3：“我朝你走去，想起唐朝的明月。”（“朝”字两个读音）

晓晓默认读法：

云希默认读法：

这个句子两个发音人都读对了，但云希的“朝”字读得有点生硬，晓晓的自然度更好。我个人的听感MOS评分：晓晓4.5，云希4.2。

最后放一个盲听测试，我把20组句子混合在一起，你听听看能不能听出哪些字读错了：

这个盲听测试里有3个多音字读错了，你能找出来吗？反正我第一遍只听出来2个，第二遍才全找到。