说白了，问题就出在音频样本没达到声纹建模的门槛。噪音、降噪、削波、语速太快，这些都会让模型提取的d-vector发生偏移。你听着感觉“像但又不是”，正是这个原因。30秒的录音里，只要有一段信噪比低于25dB，或者出现超过1.2秒的静音，模型基本上就抓不住稳定的声纹特征了。

干声录制环境与设备避坑法

先说说环境。把房间里所有带风扇的电器都关掉，空调、电脑主机、投影仪，一个别留。桌面反射面最好用厚毛毯盖住，人可以直接钻进衣柜里录，或者找个铺满床垫的卫生间——效果比在书房开窗录稳定得多。回声混响会模糊掉共振峰，而度加AI对250–800Hz这个频段的唇齿共振峰格外敏感，一点混响都藏不住。

设备方面，手机自带麦克风基本可以放弃了。iPhone的录音APP默认开了宽频降噪，会把“z、c、s”这些高频清音直接抹掉。安卓厂商的录音软件更倾向于自动压限，语音动态范围被压缩到-8dB～-6dB，真实呼吸起伏全没了。必须用USB电容麦，比如Rode NT-USB Mini，搭配Audacity直接录WA V。采样率务必选【44.1kHz/16bit】，这是度加服务端解析引擎唯一不做二次重采样的规格，其他格式都得绕一圈。

录制时，嘴离麦克风15厘米，下巴微收，让声波斜着进入振膜，别正对着冲。这样能避免“噗”声爆破音击穿振膜，同时保留喉部振动基频的完整性。录完立刻回放听一下：有轻微“嘶嘶”底噪，说明环境没达标；人声发闷，说明距离太近或者角度太正。

30秒内容结构强制模板

最简单的方法，严格按顺序朗读以下五段，每段6秒，中间不换气、不看稿、不重读：

① 元音延展：“啊——（2秒）、呃——（2秒）、咦——（2秒）”，喉部放松，舌根下沉，避免鼻腔过度共鸣；

② 爆破音组：“八、哒、啦、啪、咔”，每个字吐字短促有力，舌尖抵上齿龈再突然释放气流；

③ 语调对比：“今天真热！”（强重音在“热”）→“今天真热？”（尾音上扬）→“今天……真热。”（“今天”后停顿0.4秒，气息拉长）；

④ 绕口令慢速版：“黑化肥发灰，灰化肥发黑”，语速从40字/分钟逐步提到90字/分钟，确保每个字独立成音不连读；

⑤ 自然口语收尾：“其实吧，我觉得这个事儿……还挺有意思的。”——用日常说话节奏，带语气词和微停顿，禁止字正腔圆播音腔。

全程单人独白，结尾留1秒纯静音。这五段覆盖了度加AI声纹编码器所需的全部声学特征锚点：基频轨迹、第一/二共振峰迁移、清浊音时长比、韵律停顿分布。一个都不能少。

上传前四重校验法

打开Audacity，按这个顺序操作：

→ 效果 → 标准化：目标幅度设为-1.2dB，勾选“移除DC偏移”+“使立体声居中”；

→ 效果 → 高通滤波：截止频率80Hz，斜率24dB/oct，消除空调低频嗡鸣；

→ 效果 → 噪声降低：先选3秒空白段做噪声剖面，降噪量设为12dB，避免过度平滑损失齿音细节；

→ 波形图检查：有效语音段峰值必须落在-10dB至-4dB区间，且无连续200ms低于-35dB的“断层”，【任何削波红区（超过-1dB）必须裁剪重录】。

最后导出为WA V格式，文件大小应在1.8MB–2.3MB之间。小于1.5MB说明响度不足，大于2.5MB大概率含冗余静音或未压缩元数据，都得重录。