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 2026-11-12 09:19:52 36 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...