http://niceboat.i2p/%E4%B8%AA%E4%BA%BA%E5%8D%9A%E5%AE%A2/%E5%B0%8F%E5%B0%8F%E7%9A%84%E4%B9%9F%E5%BE%88%E5%8F%AF%E7%88%B1/2024
以前还去下了不少公开的语料试图自己训练一个模型，最后发现效果也就一般。现在随着技术进步自己的垃圾设备不说训练，有时候推理都推不起了…… 回归正题，五秒钟 zero shot 的性能很不错，相当准确地还原了原始说话人的音色，不过在说话的风格和语气上还是与原始有差距。主观看来效果比较好的是各种动漫女声，而男性的声音复刻会相对差不少。对于微调我还没有尝试，因为设备的确不行，不过按照官方的 demo 来看效果应该的确会好不少。 最近在路上能看到很多关于防范 AI 诈骗的宣传，什么换脸换声音啥的。