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）

[BOCEAN-FENG]

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？