当 AI 成为你的运维搭档：一次 TTS 语音系统的深度优化实战

从"读单词像便秘"到"每个音节都清晰"——记一次与 AI 协作的全栈优化之旅

背景

EZTor 是一个基于 LLM 的英语词汇学习平台，核心功能之一是单词发音（TTS）。用户点击播放按钮，系统调用小米 MiMo TTS API 生成语音。

问题出在两个地方：

发音错误：某些单词的 TTS 发音与实际发音相差甚远，比如 "advertisement" 被读成 "advertisemations"
音标错误：AI 翻译生成的音标有时是错的，比如 "obsessing" 的音标 /əˈbesɪŋ/ 应该是 /əbˈsesɪŋ/

这两个问题叠加在一起，用户体验极差——看到错误的音标，听到错误的发音，学习效果适得其反。

与 AI 的对话策略

这次优化全程通过与 AI 编程助手的对话完成。我的策略是：

第一步：让 AI 先摸清家底

不是一上来就改代码，而是先让 AI 阅读项目结构、理解现有实现。我告诉它：

"了解一下项目情况，部署环境内容看 skill 里面的"

AI 自动读取了项目文件、部署脚本、PM2 配置、nginx 配置，甚至翻出了 vendor/edgeTTS-openai-api/ 这个废弃的 Edge TTS 封装。这一步花了 2 分钟，但省去了后面 20 分钟的解释时间。

第二步：把需求清单喂给它

我给了它一份待办清单：

6.7 发现了AI生成的音标错误：obsessing[/əˈbesɪŋ/]❌,[əbˈsesɪŋ]✅
6.1 修复TTS发音奇怪的问题，例如scoff的发音
6.7 发现了缓存命中带来的不便
6.7 重构翻译系统
...

AI 自动分类、排序，问我从哪个开始。我选了 TTS 相关的三个问题。

第三步：让 AI 做方案，我做决策

AI 提出了多个方案，我通过选择题快速决策：

TTS 引擎：它问我要不要换 Edge TTS，我告诉它"网络环境原因用不了，MiMo 就是从 Edge TTS 替换过来的"
音标验证：它推荐本地 IPA 词典校验，我同意
客户端缓存：它推荐 IndexedDB，我同意

关键决策点上，我给出明确的约束条件，AI 在约束内寻找最优解。

第四步：部署时保持警惕

AI 生成了代码、通过了 lint 和测试，但部署时我特意提醒：

"先不要部署，上线上环境看一下，今天我在服务器上新部署了一个项目，资源可能有点吃紧"

果然，服务器内存紧张，SSH 连接不稳定。AI 先检查了资源状况，确认够用后才开始部署。

优化内容

1. MiMo TTS 升级：v2 → v2.5

小米的 MiMo TTS v2 将于 2026 年 6 月 30 日下线，v2.5 系列在发音质量上有明显提升。

改动：

// 之前
const MIMO_MODEL = 'mimo-v2-tts'
const MIMO_VOICE = process.env.MIMO_VOICE || 'default_en'

// 之后
const MIMO_MODEL = 'mimo-v2.5-tts'
const MIMO_VOICE = process.env.MIMO_VOICE || 'Milo'

音色选择：通过写一个小脚本，让 4 个音色（Mia、Chloe、Milo、Dean）分别朗读 "advertisement"，逐一对比，最终选定 Milo。

2. IPA 词典音标校验

引入 ipa-dict 包（125,928 条美式英语 IPA 数据），在 LLM 返回翻译结果后自动校验音标。

工作流程：

LLM 返回 phonetic: /əˈbesɪŋ/  (错误)
        ↓
查 IPA 词典 obsessing → /əbˈsɛsɪŋ/  (正确)
        ↓
用词典值替换 LLM 值
        ↓
存入数据库的音标是正确的

新建文件 src/lib/phoneticValidator.ts：

validatePhonetic(word, llmPhonetic) — 校验并修正音标
getIPA(word) — 查询词典获取 IPA（为后续 TTS 发音提示预留）

3. IndexedDB 客户端 TTS 缓存

之前每次点击发音按钮都会请求服务端。现在加入 IndexedDB 缓存层：

用户点击发音
    ↓
查 IndexedDB → 命中 → 直接播放（秒响应）
    ↓ 未命中
请求服务端 TTS API → 播放 + 写入缓存

配置：

缓存 key：voice:text（音色+文本）
过期时间：7 天
容量上限：500 条，LRU 淘汰

4. Prisma OpenSSL 兼容性修复

本地 macOS 构建 → Linux 服务器部署时，Prisma 客户端报错：

Prisma Client could not locate the Query Engine for runtime "debian-openssl-3.0.x"

修复：在 prisma/schema.prisma 添加多平台引擎支持：

generator client {
  provider      = "prisma-client-js"
  binaryTargets = ["native", "debian-openssl-3.0.x"]
}

踩过的坑

坑 1：服务器重启后 nginx 没起来

阿里云强制重启实例后，nginx 服务没有自动启动（systemd 状态是 disabled）。表现为：PM2 进程正常、端口 3000 在监听，但外部访问全部 502。

教训：服务器重启后要检查所有关键服务，不能只看 PM2。

坑 2：IPA 提示反而让发音更差

在 TTS 请求的 user message 中加入 IPA 音标（如 Pronunciation: /ˌædvɝˈtaɪzmənt/），本意是引导模型正确发音。结果模型把 IPA 当成要朗读的文本，发音变得像在念咒语。

教训：模型不一定理解 IPA 符号，自然语言提示（"Read the following word clearly and correctly"）反而更有效。

坑 3：服务端缓存导致改动不生效

改了代码重新部署，但发音还是老样子。原因是服务端有 LRU 内存缓存（24 小时 TTL），旧的音频还在。

教训：TTS 相关改动部署后，要重启 PM2 清空内存缓存。

最终效果

优化项	优化前	优化后
TTS 发音	advertisement → advertisemations	✅ 正确发音
音标准确性	LLM 幻觉，无校验	IPA 词典自动校验
发音响应速度	每次走网络请求	重复播放秒响应（IndexedDB）
服务端缓存	无	LRU 200 条 + IndexedDB 500 条
部署安全	无备份	自动备份 + 快速回滚

总结

这次优化涉及 8 个文件、342 行代码变更，从需求分析到部署上线，全程通过与 AI 对话完成。

AI 不是万能的——它不知道你的服务器重启后 nginx 不会自动起来，不知道 IPA 提示会让发音变差，不知道换哪个音色最好。但它能快速阅读代码、提出方案、执行修改、验证结果。

人机协作的关键在于：人做决策，AI 做执行；人提供约束，AI 在约束内寻找最优解。

本文由作者与 AI 编程助手协作完成。文中涉及的代码改动已开源至 GitHub。