Pretrained model is here.

[MaxMax2016]

链接：https://pan.baidu.com/s/1CEgyC1R3FxXEI-5AL_Sj8g
提取码：cym1

[OnceJune]

How many steps do you trained on Chinese dataset? Thanks in advance.

[MaxMax2016]

3 GPU 16 batch_size about 200K step, you should focus loss:

baker_base INFO [200000, 0.00017334926433399393]
baker_base INFO loss_disc=2.410, loss_gen=2.418, loss_fm=6.987
baker_base INFO loss_mel=17.984, loss_dur=1.342, loss_kl=2.022
baker_base INFO Saving model and optimizer state at iteration 1143 to ./logs/baker_base/G_200000.pth
baker_base INFO Saving model and optimizer state at iteration 1143 to ./logs/baker_base/D_200000.pth

[josh-zhu]

谢谢@dtx525942103 提供的pretrained 模型，跑了下停顿感还是很强，是不是因为你提的 “音素后面强插边界了，VITS又强插边界 ” 的原因 ，要解决停顿感的问题是不是需要将add_blank 设置为 false 重新训练？期待回复，谢谢哈

[MaxMax2016]

@josh-zhu 已经是False，你的音频和提供的样本差别大不大呢？

[josh-zhu]

好像没变化呢，时长都一致

[MaxMax2016]

你把你的文字和音频放粘贴上来，我看看和我的状态一致不

[josh-zhu]

新进来的宝贝，赶紧去抢福利了哈
vits_out.tar.gz

[josh-zhu]

1_baker_sample.wav 是和原有的vits_string.txt 保持一致的;感谢大佬及时回复哈

[MaxMax2016]

你的ZIP是空的

[josh-zhu]

你的ZIP是空的

抱歉更新了哈

[MaxMax2016]

这个效果很好了啊，正常效果啊

[josh-zhu]

oo,那就是没问题的;我和fastspeech2 的结果进行比较，感觉fastspeech2在语调上更自然;因为fastspeech2 + hifi 不是 e2e的，我还可以对每个phonme的mel 时长进行微调,整体更舒服一下;大佬方便留个线下联系的方式吗，做很多和语音相关的东西，想方便时请教交流下

[taotaoyuhust]

报错：
size mismatch for enc_p.emb.weight: copying a param with shape torch.Size([219, 192]) from checkpoint, the shape in current model is torch.Size([178, 192]).
请问是需要修改哪里啊

[MaxMax2016]

@taotaoyuhust 您是修改了text中的建模单元symbols = _pause + _initials + [i + j for i in _finals for j in _tones]了吗？