アイ・チウチウ 24000歩文宇RVCモデル

これは刺激的なモデルトレーニングセッションで、この時点で私たちは最新のファインチューニング済み事前学習モデルを使っていました。

モデルデータセットは約15分の長さで、生のセリフとトーンパフォーマンスを含み、合計24,000ステップ

があります

(部分訓練損失関数曲線)。

推論テストでは、発音はデフォルトの低モードモデルよりも優れており、曲の最適化も比較的良好です。

ただし、このモデルについて注意すべき点は、呼吸に理想的ではないことです。これは、元のデータでの呼吸処理時の音量不足や分離時の呼吸喪失が原因と考えられます。 2回目のトレーニングでは、対応する呼吸音を追加して少し和らげようとしましたが、元の呼吸音を抑える必要がある場合やできるだけ低く抑える必要がある場合は、その音を使いたいと思っていました。

例えばト

ーンテストの観点では、「話しながら静かに笑う」は問題ありませんが、大声で笑いすぎると電流が出ることがあり、これはこのモデルの電流の欠点です。

もちろん、人それぞれのデバイスや入力によって影響は異なるかもしれません。