Standards und Referenz für die Aufnahme zum Stimmklonen
Stimmklonen — Standards für die Audioaufnahme
1. Audiodauer
Effektive Audiodauer: 1–3 Minuten;
2. Vorbereitung der Aufnahme
Bereite den Textinhalt je nach Anwendungsfall vor und stelle sicher, dass er zum vorgesehenen Kontext passt (Vorlesen, Livestreaming, Alltagssprache usw.);
3. Aufnahmeumgebung
Die Aufnahmeumgebung muss ruhig sein, mit einem Hintergrundgeräusch unter 40 dB. Du kannst eine „Dezibelmesser“-App verwenden, um den Umgebungspegel zu prüfen;
Halte die Aufnahme frei von Echo, Nachhall und Störgeräuschen;
4. Aufnahmegeräte und -parameter
Als Aufnahmegerät empfiehlt sich ein geräuschunterdrückendes Mikrofon oder ein drahtloses Ansteckmikrofon („little bee“); ein Windschutz oder Popschutz wird empfohlen, sofern möglich;
Für die Audioaufnahme wird eine Abtastrate von 48 kHz empfohlen;
Speichere das Audio in einem verlustfreien Format wie WAV, AIFF oder M4A; speichere das Audio nicht in einem komprimierten Format wie MP3;
5. Die sprechende Person
Die sprechende Person sollte dem Mikrofon nicht zu nahe kommen, um Popp-Geräusche und aufgenommene Atemgeräusche zu vermeiden; jeder Satz sollte flüssig in einem Zug gesprochen werden;
Die Aussprache sollte klar und deutlich sein, mit klaren Pausen zwischen den Sätzen;
Pausiere 1–2 Sekunden zwischen den Sätzen;
Halte Tonfall und Stil durchgehend konstant und vermeide eine Mischung verschiedener Emotionen.
6. Unterschiede zwischen den Anforderungen an Stimme und Avatar
V2-Avatare stellen hohe Anforderungen an das Ausgangsmaterial — du musst normal sprechen, ein geräuschunterdrückendes Mikrofon tragen, für eine ruhige Umgebung sorgen und ein Video von mindestens drei Minuten aufnehmen;
V5-Avatare stellen geringere Anforderungen an das Ausgangsmaterial — das Ausgangsvideo kann mit oder ohne normales Sprechen aufgenommen werden, mindestens 3 Minuten; vor dem Training eines V5-Avatars ist GPU-Beschleunigung erforderlich, bei V2 hingegen nicht;
Die V9-Stimme benötigt weniger Rechenleistung; die V6-Stimme benötigt etwas mehr als V9, verursacht aber kein Ruckeln im Livestream. Anforderungen an alle Stimmaufnahmen: normal sprechen (keine Zahlen vorlesen), ein geräuschunterdrückendes Mikrofon tragen, für eine ruhige Umgebung ganz ohne Störgeräusche sorgen. Falls das Ausgangsaudio Störgeräusche enthält, verwende CapCut (Jianying), um eine Rauschunterdrückung anzuwenden.