如何提高文本转语音的准确性?

[Laixinsz]

如何提高文本转语音的准确性?用默认模型感觉语音相似度还行，就是文本转语音的时候，经常会出现各种问题，比如文本缺失，文本重复，拼接了提示语音的文本等。试过各种分割方法，调整top_k top_p temperature的值还是会有问题。

[LvHuaiSheng]

+1

[jax-explorer]

GPT换底模可以牺牲相似度换取准确性

[Erickrus]

仔细看了一下，预处理部分没有bug，norm_text也是对的。有问题的部分应该是AR(GPT，t2s_model)中输出的pred_semantic。这个地方是唯一通过自回归计算，生成可变长度的地方。输入是phone，输出是semantic frames。如果要修复这个问题，感觉是在finetuning阶段引入的。