[ISSUE] 如何消除开头的空白音频

[chenchen2204]

确认清单

• [x] 我已经阅读过 README.md 和 dependencies.md 文件
• [x] 我已经确认之前没有 issue 或 discussion 涉及此 BUG
• [x] 我已经确认问题发生在最新代码或稳定版本中
• [x] 我已经确认问题与 API 无关
• [x] 我已经确认问题与 WebUI 无关
• [x] 我已经确认问题与 Finetune 无关

你的issues

生成的音频开头总是有一段空白时间，字数越少越严重，如“你好”，有很长空白时间，结尾去掉[uv_break]可以消除尾部的空白，开头的如何消除

[zhzLuke96]

我估计使用chattts产生空白音频这个应该就是模型所致，我们应该没有什么特别好的办法解决

主要原因是long context导致，context指的就是 音色 ，使用chattts音色克隆是模型 zero shot 调用，所以等于是模型接在输入的音色音频之后继续生成，这个 继续生成 的过程就容易生成空白这种 副语言 现象 （就是模型觉得前后两句话之间应该留点空白，可能是输入音频domain和合成音频domain太远导致）

有几个办法避免：

1. 使用 seed speaker (基于种子的音色) 会比 zero shot 音色更稳定，因为上下文很短只占用一个 embedding 位置
2. 减少 speaker voice 长度，在10秒以下，且干净无噪声
3. 抽卡，尝试不同的 infer seed ，可能能找到一个稳定的 infer seed
4. 尝试其他模型，chattts现在缺乏维护和后续改善，其他新模型的zeroshot能力克隆能力会更稳定

---

也有可能是bug，不过你提供的信息不多我也评估不出来，你如果觉得还是bug导致，应该提供更多信息帮助我能复现具体问题

[zhzLuke96]

https://github.com/lenML/Speech-AI-Forge/commit/4d8ed07fde7f696de65b6a460f28e4b1f7dab3de

添加了一个功能移除音频两端的空白部分，但是只支持非流式合成的时候

使用方式：

1. webui: 开启 enable_remove_silence 选项即可
2. api: v2/tts api 中的设置 adjust.remove_silence=true 即可