避坑- Qwen3-TTS语言大模型长文本生成的语速变快或声音异常

Qwen3-TTS 长文本生成的语速 Bug

实测Qwen3-TTS 模型在处理较长文本时存在一个已知问题：生成到后面，语速会不受控制地越来越快，即使把语速要求写在指令里也效果不好。

这个问题的根本原因在于模型的架构设计。Qwen3-TTS 基于自回归语言模型生成语音 token，当输入文本过长时，模型在解码过程中累积的注意力分布会逐渐偏离，导致生成节奏失控。具体来说：

• 模型每生成 4 个 token 对应约 320 毫秒的音频

• 长文本意味着需要生成大量连续的 token 序列

• 随着生成步数增加，模型对韵律和节奏的控制能力逐渐衰减

✅ 解决方案：分段合成 + 音频拼接

既然模型本身无法直接处理长文本，就需要通过工程手段来解决。核心思路很简单：把长文本切成短段分别合成，再把音频拼起来。