kita / notes
← 回到全部笔记

记录日期 阅读约 1 分钟

直播语音说到半句就断:bili_live_auto_reply_max_length 的硬截断坑

发布于 · 修订

本文目录(2 节)
  1. 对照 TTS 文本与音频时长排除播放器嫌疑
  2. 字符串硬切片与提示词控长

「那个……我是可不,花谱姐姐的妹妹。喜欢唱歌,也喜…」

直播测试时,语音念到「也喜」两个字就突然停了。听感上特别像播放器半路崩溃或者音频没录全。

对照 TTS 文本与音频时长排除播放器嫌疑

先查 ffplay 路径、播放日志和 _mouth_sync_tasks 取消逻辑,一条报错都没有。再用 ffprobe 导出 data/temp/ 下的音频时长,和 TTS 日志里的文本并排比对:

你好呀,欢迎来到直播间。                            16 字   2.82s
那个……吹牛不好哦,我们聊点温柔的吧。               23 字   3.66s
那个……我是可不,花谱姐姐的妹妹。 喜欢唱歌,也喜…    32 字   5.70s

gsv_tts_20260930205053735_a234.wav 是标准的 16bit 32kHz 单声道 PCM,完整时长 5.70 秒,和那 32 个字符完全对应。也就是说音频一帧没丢,是送进 TTS 之前的文本本身就被砍掉了下半句,还在末尾补了个省略号。

字符串硬切片与提示词控长

去翻插件源码 main.py:3044,一眼看到了那个省略号的来源:

max_length = self._safe_parse_int(
    self.config.get("bili_live_auto_reply_max_length"), 80
)
if max_length > 0 and len(cleaned) > max_length:
    cleaned = cleaned[:max_length].rstrip() + "..."

它根本不管句子结没结束,直接按字符长度硬切一刀再拼上 "..."。而我此前为了压低 TTS 合成耗时,把这个参数从默认的 80 一路往下调成了 50 → 35 → 25。中文里光「那个……我是可不,花谱姐姐的妹妹。」就已经 18 个字了,设成 25 字等于几乎每句话都会在半路被腰斩。

找到原因后,把 bili_live_auto_reply_max_length 放宽回 45 作为兜底安全线,把真正的字数控制交给提示词:

- 一次只说 1~2 句完整的话,总长控制在 40 字以内;宁可少说一句,句子必须完整收尾

让模型在生成阶段自己把话说短,比生成长句后再用 [:max_length] 硬剁靠谱得多。

← 返回全部手记