语音克隆最佳实践

更好的语音克隆始于更好的源素材。源音频的微小改进就能对最终语音产生显著影响。

保持样本清晰

目标是获得以下语音：

清晰
干声
低噪音
没有强烈的音乐或人群声音

录音质量比文件格式本身更重要。

使用一致的语音

当样本素材听起来像是一种连贯的说话风格时，模型响应效果更好。尽量保持：

相似的录音环境
相似的说话语调
相似的能量水平

如果源音频在耳语、大喊、嘈杂片段和清晰叙述之间切换，克隆结果可能会变得不稳定。

匹配您想要的表现形式

克隆的语音往往会继承样本素材的风格。

平静的样本会产生更平静的输出
富有表现力的样本会产生更具表现力的输出
急促的语速可能会产生急促的输出

如果您想要清晰、稳定的叙述者感觉，使用具有相同风格的源片段通常效果更好。

使用足够的音频，但不要过多

经验法则：

尽可能使用至少约 1 分钟的有效语音
1 到 2 分钟的清晰素材通常是一个很好的范围
在大多数情况下，超过 5 分钟的音频几乎没有实际收益

保持音量平衡

尽量避免使用以下样本：

声音太小
削波或失真
过度标准化导致听起来不自然

平衡的录音电平优于过大的音量。

选择正确的隔离模式

对于大多数项目：

从 Studio 开始
仅当环境特征是体验的一部分时，才切换到 Realistic

相关页面