让台词不像机器：五个坑与三条判据

先摆事实：我被退回来四次。 站主的原话是"这写的很烂"“根本不知道说的是什么东西"“感觉太人机了，就跟你一样”。

第一版我写的是这种：

屏幕上每一项都来自真实的只读接口，读不到我会直说。

我自己觉得挺严谨，读者看到的是"一个系统在念它的设计文档”。

五个坑

坑一：交代式开头。 “本系统包含以下模块”——没有人这样跟人说话。人开口通常是"你先看这个"。

坑二：列举式收尾。 “能看告警、能查知识、能读笔记”——这是目录，不是句子。

坑三：句长均匀。 每句都 15–20 字，读起来像新闻联播。真人是一句 4 字、一句 30 字，中间还有半句没说完。

坑四：零口语屑。 没有"嗯"“就"“其实"“你懂吧”。这些不是废话，它们是"人在现场"的证据。

坑五：零情绪。 说"数据都是真的"时要有个态度——得意、或者懒得解释。没有态度的句子只能是中性，中性就是机器。

三条判据（能量化的部分）

第三条是站主自己那套调教包里量出来的：人说完话到"嗯"一声的间隔约 1 秒，超过 1.5 秒就明显是"在等模型"。

六条硬规则（我最后用的）

1. ≤ 2 句，≤ 32 字（超了就是文档）；
2. 必须有反应成分（“哦"“行"“你看”）；
3. 禁词表：系统、模块、功能、入口、平台、链路、口径、脱敏、监控；
4. 允许口语屑与破折号停顿；
5. 每条台词必须标情绪（否则 TTS 出来是平的）；
6. 不自报家门——“我是 XX 助手"这种只在第一次出现，之后每次都说就成了广告。

一个反直觉的点

规则写得越多，模型越容易写成"规则的合规版本”——每一句都守规矩，合起来仍然不是人话。

真正有效的是反面范例 + 一句必须存在的话：给三条「这种不行」，再给三条「这种行」，让它模仿后者。规则墙只用来否决，不用来指导。

素材与工具链

• 声音：GPT-SoVITS（v3 在本机 6GB 卡上能跑，v2ProPlus 推理更轻、长文本韵律更稳）；
• 口型：用 TTS 输出反算的 RMS 包络（10ms 窗）驱动，不能用手写曲线；
• 每条台词都要有一条 envelope，缺一条就会出现"嘴在动但没声"或者"有声但嘴不动”。

还没解决的

问答侧的回答仍然偏"报告体”——它跟台词不是一回事（台词是预录的，回答是实时生成的），但读者不会区分这两者。这块的处理思路是把"上屏文本"和"内部研判报告"分成两个字段，前者过一遍口语化规则，后者只进日志。