MaxMax2016

icon company UESTC icon location ChengDu，China icon location Computer Vision, Speech Separation, Speech Synthesis, LLMs

Results 243 comments of MaxMax2016

Best TTS based on BERT and VITS with some Natural Speech Features Of Microsoft

恩

Best TTS based on BERT and VITS with some Natural Speech Features Of Microsoft

TTS那点标注是用来微调模型啊，https://github.com/PlayVoice/vits_chinese/issues/57

Best TTS based on BERT and VITS with some Natural Speech Features Of Microsoft

我也不太理解他那个，但是使用的BERT base+他的线性层；又额外使用了一个线性进行维度转换，嵌入到vits；这维度转换的线性层也能在VITS的训练过程中，学习到和音频对应的韵律表示吧。其实我觉得直接使用BERT base也可以，我也将进行这个实验。

> > @FanhuaandLuomu 输入为拼音的声母、韵母序列； 之前由于担心插入blank，会使输入序列变成2倍长度，导致工程实现中耗时变长，从而影响首包延时以及RTF。现在补上blank，没有出现发音问题了，加上blank后首包延迟为100ms，整体rtf为0.03的样子，还好。

@15755841658 解决了吞音问题，https://github.com/PlayVoice/vits_chinese

关于Opencpop transcriptions.txt

很抱歉，那些信息是歌声合成必不可少的。

关于Opencpop transcriptions.txt

哦，那个是音色替换，是音频到音频；这个是歌词到音频；

About release models and VISinger

https://github.com/PlayVoice/VI-SVS/releases/tag/0.0.1

用标贝数据 大概训练多久可以使用?

一天

模型有可能支持streaming使用吗？

whisper不支持streaming

Wondering how much promotion in noisy scene when adding perturbation

feature perturbation