文档中心>声音复刻>快速入门>训练数据准备指引

训练数据准备指引

最近更新时间:2024-08-23 11:10:11

我的收藏

一、复刻流程




说明:
轻量版声音复刻和基础版声音复刻流程参考 声音复刻控制台

二、训练数据

1. 数据准备前
【录音环境】建议使用和真实应用场景一致的环境进行录音采集,录音环境中避免出现回音、背景音乐、吵闹人声的情况;
【录音演员】定制方需拥有录音演员使用授权;
【录音设备】录音过程中,使用同一个录音设备,避免电流声等杂音。
2. 数据准备中
【录音质量】录制音频保证干净清晰,所有音频的情绪、语速、音量、音高一致稳定,避免语速忽快忽慢、音量忽大忽小;避免情绪表达过于夸张;朗读不出现卡顿、读错问题;避免方言口音朗读,避免音频包含口水音或较大的换气声;
【录音风格】按照正常业务场景对应的音色风格自然表达;
【音频格式】单/双声道16bit 固定采样率16k以上,44100、48000最优,音频非压缩保存,音频格式为无损音频wav格式;
【录音语种】中文、英文;场景包含英文播报的,需要单独提供中文音频、英文音频、中英文音频;
【数据确认】音频准备过程中,建议提供部分样例,由产品经理确认是否符合业务要求。
3. 数据准备后
【数据检查】数据文件提交给产品经理,进行数据检查,确保发音风格统一、数据质量可用。数据检查、筛选无误后,由产品经理给出声音定制排期。
说明:
轻量版声音复刻无需线下准备数据,基础版声音复刻数据准备后可直接在声音复刻控制台 创建训练任务。

三、标注&训练

标注及训练由腾讯完成,一般周期3-4周。
说明:
轻量版声音复刻可30分钟内完成训练,基础版声音复刻可1-2天完成训练。

四、交付验收

【验收文本】客户提供20句验证文本模板,用于验证效果;
【模型优化】按报价包含的次数支持,超出需要额外报价付费,参考小规模定制报价。
可优化范围,以下为客观规则话播报,与定制模型无关,语音合成服务本身会持续优化:
a. 多音字播报,如「一行白鹭上青天」中的行(hang2);
b. 特殊姓名,如「华」hua4;
c. 专有名词,如「腾讯」、「深圳大学」;
d. 专业术语,如「k8s」、「SLA」;
e. 时间,如「2022-3-21」、「19:01:02」;
f. 电话号码,13811227834、010-5114987;
g. 数学,3/4、0.18、23.78%;
h. 符号单位:「4:3」。
不可优化范围,以下为主观效果或个性化需求:
a. 情绪不可优化,需根据场景提前确认录音情绪,如金融催收、电商客服、武侠小说等;一种情绪为一个音色,如需提供多种情绪需要定制多个音色;
b. 语速不可优化,需要音频语速一致,tts接口通过SSM参数支持微调;
c. 音量不可优化,需要音频的音量一致,tts接口通过SSM参数支持微调;
d. 若音频采用和原始录音拼接,无法保证拼接效果,建议采用整句合成或全量合成;
e. 特定文本按特殊播报的,如 sanzhang@tencent.com 会按照拼音播报却要单个字母播报。