选型这件事，最后让我下决心的不是跑分，是同一段文字反复听了几十遍之后，哪一遍我忘了自己在听机器。
我实际比较了什么
参数表上的 MOS 分、采样率、模型规模，参考价值有限，因为最终场景是「听一整章小说」，不是念一句「今天天气不错」。我把比较收窄到四个地方：
- 长句的呼吸感：三十字以上的句子，逗号处停多久、有没有不该断的地方断了。
- 多音字和专名：「行长」「重庆」这类，以及人名、书名里不常见的字。
- 情绪的平：朗读最怕每句都带一点播音腔，听二十分钟会累。
- 变速之后还像不像人：这一条权重最高，因为产品里语速是要交给用户调的。
怎么听才不算自欺欺人
固定一段三千字左右的文本，一半叙事一半对话；同一副耳机，同一音量；把不同引擎的输出切成十段打乱顺序，隔天再听一遍，看还能不能分出来哪个是哪个。第一次能分出来不算本事，第二天还能分出来，差别才是真的。
MiMo 在这套听法下最明显的优势是句尾不飘、长句里停顿的位置比较克制，变速到 1.3 倍也不会出现那种「赶着念完」的挤压感。短板也有：极短的单句有时略显平，需要靠前端的文本归一化和标点处理补一下。
选引擎别只看单句 demo，拿你真实要读的内容去听，而且要在你打算让用户用的那个语速上听。
还有一层约束
因为要做的是能被系统阅读类 App 调用的引擎，不是自带播放器的独立应用，所以「声音好不好」只是入场券。还得看它能不能稳定地按 Android TTS 框架的回调方式把音频流吐出来、能不能在合成过程中响应中断、以及语速参数能不能落到底层。这部分后面单独写。