问题
使用 SoulX-Podcast-1.7B-dialect 生成粤语语音时，部分字存在系统性发音错误。具体表现为：多音字选错读音、普通话/粤语读音混淆、韵母偏移。
环境
- 模型：SoulX-Podcast-1.7B-dialect
- dialect_prompt:
<|Yue|>
- temperature: 0.3
- 输入文本：繁體粤語口語
- via ComfyUI custom nodes (flybirdxx/ComfyUI-SoulX-Podcast)
具体残字（5 例）
| 字/词 |
正确粤拼 |
SoulX 错读 |
错误类型 |
| 站（黃埔站） |
zaam6 |
赞(zaan3) |
多音字选错（zaam6 vs cyun5） |
| 校（校網） |
haau6 |
教(gaau3) |
多音字选错（haau6 vs gaau3） |
| 泳（泳池） |
wing6 |
勇(jung) |
韵母混淆（wing → ung） |
| 流（一流） |
lau4 |
疔(Mandarin liu) |
普通话读音替代粤语 |
| 尺/呎（680呎） |
cek3 |
齐(cai4) |
普通话读音替代粤语 |
这些字在香港房地产场景中是高频词（地铁站/校網/泳池/实用面积呎数），影响较大。
当前 workaround
- 换字/加上下文：站→地鐵站，校→小學校網，泳→游泳池（加上下文帮 LLM 消歧多音字）
- 换同义词：一流→頂級（避开残字）
问题
- SoulX 是否计划支持 Jyutping（粤拼）输入？如果能像 ACE-Step 那样接受音素级输入（
language=yue + Jyutping phonemes），就能精确控制每个字发音，根治残字。
- dialect_prompt 是否支持发音提示？例如在
<|Yue|> 后加 尺讀cek3, 站讀zaam6，LLM 会看到这些 token——是否影响 speech token 生成？实测有效的话就不用换字了。
- 这些字的错误是否是训练数据不足导致？粤语多音字（站/校）和普通话-粤语混淆（流/尺）是已知的 TTS 难点——是否有针对性的训练数据补充计划？
感谢这个优秀的开源模型！粤语发音如果能进一步提升，对香港本地应用场景帮助很大。
问题
使用 SoulX-Podcast-1.7B-dialect 生成粤语语音时，部分字存在系统性发音错误。具体表现为：多音字选错读音、普通话/粤语读音混淆、韵母偏移。
环境
<|Yue|>具体残字（5 例）
这些字在香港房地产场景中是高频词（地铁站/校網/泳池/实用面积呎数），影响较大。
当前 workaround
问题
language=yue+ Jyutping phonemes），就能精确控制每个字发音，根治残字。<|Yue|>后加尺讀cek3, 站讀zaam6，LLM 会看到这些 token——是否影响 speech token 生成？实测有效的话就不用换字了。感谢这个优秀的开源模型！粤语发音如果能进一步提升，对香港本地应用场景帮助很大。