# gpt-sovits
## 參數調整
* 資料集最少5分鐘
## 模型訓練
### 音頻切割
* min_length：根据显存大小调整，显存越小，值调得越小。
* min_interval：根据音频的平均间隔进行调整。如果音频过于密集，可以适当降低该值。
* max_sil_kept：此参数会影响句子的连贯性，不同音频需不同调整。如果不确定，建议保持默认值
### 打標
* 达摩ASR：专用于**中文**识别，效果最佳。
* Fast Whisper：支持99种语言，尤其在**英语和日语**的识别方面表现突出。建议选择**large V3**模型，语种选择自动（auto）即可。
* 一句話裡面只能有一種語言
### 微調訓練
* VITS(文字生語音) 模型的轮数可以设置得高一些，因为训练速度较快
* GPT(結合gpt協調) 模型，通常建议设置轮数为10，不要超过20，以确保训练效率和模型性能的平衡。
* 素材中有底噪、混响、喷麦、响度不统一、电流声、口水音、口齿不清、音质差等情况那么请不要调高SoVITS模型轮数，否则会有负面效果。
## 推理
* 低輪次的聲音會更像，高輪次的語氣較好
* 漏讀情況可往低輪次
* 开头漏字，试试在最开头加一个句号
* 参考音频非常重要，它会影响模型学习语速和语气，请认真选择
### 中英推理
### 少字情況
* 開頭吞字:https://github.com/RVC-Boss/GPT-SoVITS/issues/70
* [重复念、漏念](https://github.com/RVC-Boss/GPT-SoVITS/issues/1644)
* 降低轮数
* 加长合成文本(我是从一句话加到两句话)
* 改种子(至少我发现种子也能影响这些问题)
### 英文[重輕音明顯或錯誤]
* 在一開始匯入音檔時，模型選擇HP5_only_main_vocal，導出檔格式選擇wav
* 在微調訓練，總輪數填16。
* 模型切换裡，模型列表盡量選中或高，效果最佳。上傳兩個參考音檔，主要參考的聲音檔案在前，後面的音檔要無雜音，講話語氣穩定的wav檔，可用此連結生成後面音檔(https://www.vanillavoice.com/?_trms=bd3adcbb389cde15.1730699815642)
* top_k數值調整(37數值佳)可上下調整
## 參考
* 官方指南:https://www.yuque.com/baicaigongchang1145haoyuangong/ib3g1e/dkxgpiy9zb96hob4
* https://www.bilibili.com/read/cv33776891/
* https://www.cnblogs.com/smartloli/p/18440825
* API:https://juejin.cn/post/7343138052973297702

# 語音唱歌
* https://github.com/espnet/espnet
* https://github.com/MoonInTheRiver/DiffSinger
* https://github.com/zzw922cn/awesome-speech-recognition-speech-synthesis-papers
* https://github.com/openvpi/DiffSinger
* https://github.com/stakira/OpenUtau
*