BOCEAN-FENG

"parallel_infer": True, # bool.(optional) whether to use parallel inference. "repetition_penalty": 1.35 # float.(optional) repetition penalty for T2S model. "split_bucket": true, # bool.(optional) whether to split the batch into multiple buckets...

集思广益，有没有判断生成的音频是错误音频的好办法？方便重roll

2

训练素材是1h纯人声素材 目前遇到的问题音频出现概率15%左右，类型如下： ①参考文本出现在生成音频中 ②生成音频出现哈哈哈声 ③生成音频错字 ④生成音频有较长的空白段 目前尝试过 a.时长判断，但是这种情况只对于④有效 b.ASR识别生成音频，然后跟生成文本比对，不过模型生成的音频发音不是很标准，识别效果不是很好，所以否掉 不知道大家有没有方法能够识别？如果可以的话，这算是变相解决错误音频的问题了，毕竟重ROLL总是能ROLL到好的生成音频的

BUG：api调用下，尝试重复生成50轮同一段音频，发现错误音频的时长会越来越长，比如一开始5s,第五十生成结果到10s了，时长稳步增加，考虑到程序有什么内存使用问题？

1

错误音频指音频中会有'zzzzzzzzzzzzzzzzzzzz'或者'ssssssssssssssssssss'的重复内容，发现与模型无关，我也尝试过用底膜，仍然会报错。与种子也无关，与参考音频无关。 导致错误音频的文本举例：babylon

BUG:API调用和UI使用结果不一致（发现babylon这个词无法正确生成音频）

8

补充：尝试重复生成50轮同一段音频，发现音频的时长会越来越长，比如'zzzzzzz'的声音会越来越长，考虑到程序有什么内存使用问题？ fast_inferenceAPI（api_v2.py）调用，webui直接合成就没有问题，两者保持参数一致，包括种子在内 尝试过五段参考音频，包括底模在内换了三种模型，各种生成参数都调整了 发现babylon会生成babylonzzzzzzzzzzzzzzzzzzzzzzzszsz这种发音，为什么会有这种情况呢？