进行multispeaker训练的一些问题

[codybai]

我在config file 文件中增加gin_channels=256字段，现在speaker nums = 15，目前进行到330个epoch，测试发现合成的语音速度非常快，并且一个句子中，会出现多个speaker的声音。现在我的疑问是：

1、目前大概需要多少epoch才能稳定？
2、gin_channels=256，相对于只有15个speakers是否太大？比如改成32,64等小参数比较好收敛？
3、一个句子中，会出现多个speaker的声音，从现阶段来看，是否正常？
4、每句话的语速非常快，对于已经训练了330个epoch来说，是否有点不正常？

其中，每话的音素结构如下(在tacotron2中，能够训练出韵律正常的model，所以比较明确音素设计应该没问题。)：
p iy1 #1 eh1 l #1 ah0 #1 eh1 s #1 t iy1 #1 iy1 #1 aa1 r #1 iy1 #1 aa1 r #1 eh1 s #1 t iao2 #0 l i4 #1 d uei4 #1 ^ u1 #0 r an3 #0 ^ van2 #1 p u3 #0 ch a2 #1 d e5 #1 z u3 #0 zh iii1 #1 sh iii2 #0 sh iii1 #1 z uo4 #1 l e5 #1 n ei3 #0 x ie1 #1 g uei1 #0 d ing4 #3 fin

大佬们有空聊聊吧！

[codybai]

一些demo vits_out.zip

[OnceJune]

说话人泄漏的问题没遇到过，语速是不是推理脚本里面的length_scale设置的不对？
训练轮数可以看看这个issue：#9

[codybai]

filelist的文件我在我的数据集上生成的时候没有进行打乱，可能是这个原因造成的泄露，目前修改了一下，看看效果。

[codybai]

还是不行。

[OnceJune]

试下把speaker相关的信息concat上去，不要add呢？

[MaxMax2016]

vits官方项目本身就有基于VCTK的多说话人TTS，效果非常完美