GPT-SoVITS 3 秒参考音色跑调 比原声低 2.5 个半音怎么修

陆零云 35 0
用 GPT-SoVITS 克隆客服音色,参考音频 3 秒,合成出来的男声比原声低 2.5 个半音。短句还行,超过 20 字就往下飘,尾音尤其明显。 第一反应是随机性,把 temperature 从 1.0 降到 0.6,音高还是低,只是语气变平。又试了 top_k 从 15 调到 5,没变化。问题不在采样,在音高提取这一层。 把参考音频放进频谱图看,3 秒里前 0.8 秒是空调底噪,人声只占后面两秒。低信噪比段落把 f0 估错,整段音高被拉低。换成 har...

CosyVoice 2.0 合成 3 分钟音频尾音一直丢在最后 0.4 秒

陆零云 39 0
客服播报用 CosyVoice 2.0 合成,3 分钟的开场白,最后一句「谢谢收听」只剩一个「谢」字,音频总长 179.6 秒。按语速估算应该是 180 秒出头,差的正好是结尾那 0.4 秒。 第一反应是文本末尾的句号被吞,去掉标点重跑,还是短。把 speed 从 1.0 调到 0.95,整体变慢 3 秒,尾部照样缺。又改成非流式一次返回,问题一模一样,说明不是分块拼接时最后一块没发出来。 真正的原因是采样率。模型输出按 24000 采样,我写 wav 的...

TTS 音色发闷:参考音频 44.1 kHz 进 24k 模型怎么对齐

陆零云 38 0
客服机器人接的是自建 CosyVoice2-0.5B 服务,上线第二天运营反馈音色不对。选的是女声 zh_female_01,出来像男声,语速还快了一截。接口返回 200,wav 也能正常播放,听感就是偏。 先怀疑 speaker id 传错。把 voice 参数换成内置的 8 个 id 各合成 10 条,只有 3 个听着偏中性,其余正常,映射表没问题。接着用 ffprobe 看输出,采样率是 22050,而推理配置写的是 24000。前端按 24000...