尖端 TTS 经常忽略的日语本质：如何理解和衡量音调重音问题。

发布日期：2026年5月

TTS领域的格局每六个月都会发生变化。本文中的技术判断截至发布日期，并将定期更新。

--

引言

近年来，基于语言学习模型（LLM）的文本转语音（TTS）模型发展迅猛。ElevenLabs、Google Cloud TTS、Azure Speech 等平台如今都能生成英语及多种语言的自然语音。

然而，任何经常使用日语合成语音的人都可能遇到过这种情况：“为什么这语音听起来不太自然？”“发音是对的，但意思好像不一样……”

造成这种情况的罪魁祸首通常是音调重音。

本文将梳理音调重音问题，该问题会显著影响日语 TTS 的质量，并从 SolanaLink 的实践经验出发，分享量化评估语音准确度的方法。

--

什么是音调重音？它为何如此重要？

同音异义

日语（基于东京方言的标准日语）有一套称为音调重音的系统。高音和低音的音调模式可以区分词义。

以下是一些典型的最小对立词：

音素（元音和辅音）相同。只有音调的变化不同。这是日语的一个特点，因为它决定了词义本身。

与英语使用者和一些亚洲语言使用者的区别

英语也有重音，但它没有“通过音调区分词义”的系统。因此，当母语为英语的工程师评估TTS模型时，他们经常会忽略音调重音错误。

声音是可以听出来的，意思也可以从上下文推断出来。然而，对于日语使用者来说，感觉就像**“说了另一个词”**——这是最大的差距。

为什么TTS模型普遍存在错误？

许多现代的大规模TTS模型都使用大量的多语言语音数据进行训练。英语、中文、西班牙语……其中，日语的训练数据相对较少，因此存在每个词的音调重音模式无法被准确学习的情况。

结果，出现了以下现象：

• 本来应该是“It's raining”，听起来却像“It's raining candy”。

• “Crossing the bridge”听起来像“Crossing chopsticks”。

• 专有名词、外来词和专业术语的重音变得模糊不清。

这些错误在一般的语音导航或文本转语音应用中可能仅被视为“略微奇怪”。然而，根据应用场景的不同，它们可能至关重要。

• 语言学习材料（学习者可能会记住错误的发音）

• 客户服务语音应答（损害品牌信誉）

• 医疗、法律和金融等领域的商业语音，在这些领域，任何误解都是不可接受的

---

评估的难点：如何衡量“正确性”

假设我们承认音调重音的重要性，那么接下来我们将面临评估问题。

简单的 MOS（主观评估）无法体现的内容

目前最常用的 TTS 质量评估方法是平均意见得分 (MOS)——一种 5 分制的主观评估。然而，MOS 衡量的是整体听起来是否自然，而无法单独衡量重音是否正确。

尤其需要注意的是，如果评估者并非日语母语者，重音错误可能很难在得分中体现出来。仅仅“听起来流利”就很容易获得 4.0 以上的分数。

与自动 G2P 工具比较的“自我反思陷阱”

接下来要考虑的方法是与自动音素转换 (G2P) 工具进行比较。在日语中，pyopenjtalk 就是一个典型的例子，它会在输入文本后返回带有重音信息的音素序列。

分析 TTS 生成的语音并自动检查其是否与 pyopenjtalk 预测的重音模式匹配——乍一看似乎合情合理。

然而，这里存在一个结构性问题。

**由于 pyopenjtalk 本身就是一个模型，它必然存在误差。**对于词典中不存在的单词、新词以及上下文相关的重音变化（复合词、与助词的互动），pyopenjtalk 的预测并非总是正确的。

那么会发生什么呢？

• 一个完美的 TTS 可能会做出与 pyopenjtalk 不同的判断，从而被评为低分。

• 一个完美复现 pyopenjtalk 错误的 TTS 却会被评为高分。

这是一个典型的“用模型 B 来评估模型 A”的自指陷阱，评估结果将变得完全不可靠。

实用解决方案：手动标注的最小对数据集

SolanaLink 正在考虑以下方法来解决这个问题：

1. 核心评估将使用手动标注的“无可争议的最小对”进行。

• 准备 50-100 个日语母语者可以立即判断重音类型的词对，例如 rain/candy、bridge/chopsticks、god/paper、sake/salmon。

• 这将作为绝对正确答案。

2. 使用 pyopenjtalk 作为补充指标。

• 利用其高速处理大量文本的优势，将其用于回归测试（“是否回归到之前通过的案例？”）。

• 然而，与 pyopenjtalk 的一致性率不会作为唯一的合格标准。

3. 根据目标用途扩展评估集。

• 对于语言学习，使用初级到中级常用词汇。

• 对于商务语音，使用行业术语和专有名词。

• 这种扩展过程本身就体现了项目的独特性。

4. MOS 仅在每月的大型里程碑节点实施。

• 使用 5 位或更多日语母语评估员。

• 每次学习重复都进行评估，无论从时间还是成本上来说都不切实际。

• 每日自动评估将基于音调重音的准确性。

---

为什么“本地/部署”方案正在兴起

以下是我们从 SolanaLink 客户那里收到的另一个常见问题：我们不想将自己的数据和语音数据发送到基于云的 TTS 系统。

• 我们希望根据客户交互日志创建合成语音，但我们不想将语音数据委托给第三方。

• 由于公司内部政策的限制，将包含专业医学和法律术语的文本发送到云端非常困难。

• 费用是按字符计费，因此难以预测长期运营成本。

为了满足这些需求，在本地或边缘环境中运行的 TTS 系统（利用最新的开源 LLM-TTS 模型）正逐渐成为一个切实可行的选择。

然而，本地部署的 TTS 系统也面临着以下独特的挑战：

• 许可：模型代码和权重（训练参数）通常需要单独授权，因此需要仔细核实商业使用权。

• 日语语言质量：面向全球的开源模型在日语语言质量方面往往存在不一致，尤其是在音调重音方面。

• 硬件：最佳配置因操作系统环境而异，包括 Apple Silicon、NVIDIA GPU 和纯 CPU 系统。

虽然本文重点讨论音调重音，但这些问题相互关联，最终构成一个多维度的优化问题：“运行一个语法正确、拥有商业许可且硬件成本可接受的日语文本转语音 (TTS) 系统。”

---

总结

1. 音调重音是影响日语文本转语音（TTS）质量的一个常被忽视但影响显著的因素。

2. 仅使用常用的MOS或自动化G2P工具进行语速匹配不足以充分评估重音准确度。

3. 实际上，采用多层评估方法更为现实，该方法以**最小成对数据集（含人工标注）**为核心，使用pyopenjtalk进行回归测试，并将MOS作为每月里程碑。

4. 随着对本地部署TTS的需求不断增长，平衡许可、日语语言质量和硬件的设计变得至关重要。

---

来自 SolanaLink 的信息

SolanaLink 提供语音合成（主要针对日语）的实施支持，并支持构建自定义模型。我们尤其在以下领域提供咨询服务：

• 基于商业许可的开源 TTS 模型选择

• 音调重音质量的量化评估设计

• TTS 在本地/混合环境中的运行

• 开发行业专用发音词典（医疗、法律、教育、金融等）

我们欢迎您就内部概念验证 (PoC) 的考虑、现有 TTS 系统切换评估以及自有品牌语音的开发进行咨询。请随时通过以下渠道联系我们。

• 咨询：info@solanalink.jp

• 公司简介：https://solanalink.jp

---

注：信息有效期

本文提及的技术判断（评估方法、开源软件模型现状等）截至2026年5月。技术转语音（TTS）领域瞬息万变，相关假设可能在六个月内发生变化。在做出任何重要决定之前，请务必查阅最新信息或联系我们。

---

注：信息有效期

本文提及的技术判断（评估方法、开源软件模型现状等）截至2026年5月。

参考资料

• 关于日语音调重音的语言学背景，请参阅小泉文雄的《日本之声》以及角田忠信的一系列研究。

• pyopenjtalk（日语 G2P + 重音提取库）：https://github.com/r9y9/pyopenjtalk

• JSUT 语料库（日语 TTS 研究语音数据库）：https://sites.google.com/site/shinnosuketakamichi/publication/jsut

• JVS 语料库（多说话人日语语音数据库）：https://sites.google.com/site/shinnosuketakamichi/research-topics/jvs_corpus

---

本文由 SolanaLink 的工程师 Tony 撰写。欢迎评论和提问。