微调数据建议的音频长度

[hoveychen]

不知道有没有人测试过，比如一句30s的音频，是做成1句30s，还是3句10s效果更好？也就是语音切分有没有什么讲究？

[hyhuc0079]

我是尽量长短都提供一定数量的样本。

[anitman]

不知道有没有人测试过，比如一句30s的音频，是做成1句30s，还是3句10s效果更好？也就是语音切分有没有什么讲究？

在3s-10s之间选择，尽量每段音频的语速和情绪是一致的，例如一段悲伤的语音就不要包含转换成欢快情绪的片段了，最好不要有一句话说了一半就被截断的情况。超出10s没有意义，很多样本会直接被弃，根本不会生成频谱模型文件，也就不会被纳入到训练过程中。

[techNomad136]

不知道有没有人测试过，比如一句30s的音频，是做成1句30s，还是3句10s效果更好？也就是语音切分有没有什么讲究？

在3s-10s之间选择，尽量每段音频的语速和情绪是一致的，例如一段悲伤的语音就不要包含转换成欢快情绪的片段了，最好不要有一句话说了一半就被截断的情况。超出10s没有意义，很多样本会直接被弃，根本不会生成频谱模型文件，也就不会被纳入到训练过程中。

如果是这样的话，训练出来的模型语速跟情感是不是都是单一的，如果想要多情感？只能分开训练不同模型？

[XXXXRT666]

不知道有没有人测试过，比如一句30s的音频，是做成1句30s，还是3句10s效果更好？也就是语音切分有没有什么讲究？

在3s-10s之间选择，尽量每段音频的语速和情绪是一致的，例如一段悲伤的语音就不要包含转换成欢快情绪的片段了，最好不要有一句话说了一半就被截断的情况。超出10s没有意义，很多样本会直接被弃，根本不会生成频谱模型文件，也就不会被纳入到训练过程中。

你说的这个是参考，训练最长可以用接近一分钟的