Repository navigation
Replies: 1 comment
|
我先排查
如果你的 500 条数据每条的 建议:
CosyVoice3 效果好,可能是因为它推理时每次都用 prompt 音频做 zero-shot 条件,不依赖训练时固化的单个向量。这一点我没有对比验证过,仅供参考。 |
0 replies
Sign up for free
to join this conversation on GitHub.
Already have an account?
Sign in to comment
Uh oh!
There was an error while loading. Please reload this page.
请教各位大佬,
我用同一个人500句语音对Qwen3-TTS-12Hz-1.7B-Base做了微调,用户发音不清晰但是对着文字是可以听出来的。
然后合成效果像是很多人每人说一个片段拼起来的。同样的数据我用CosyVoice3效果还是挺好的,可能是什么原因呢。
out.wav
All reactions