Normes et Références de Collecte pour le Clonage Vocal

Clonage vocal — Normes de collecte audio :

1. Durée de l'Audio

Durée audio utile : 1 à 3 minutes ;

2. Préparation de l'Enregistrement

Préparez le contenu textuel selon les différents cas d'usage, en veillant à ce que le contenu corresponde au contexte visé (lecture à voix haute, livestream, parole quotidienne, etc.) ;

3. Environnement d'Enregistrement

L'environnement d'enregistrement doit être silencieux, avec un bruit de fond inférieur à 40 dB. Vous pouvez utiliser une application « sonomètre » pour mesurer le niveau de bruit ambiant ;

Veillez à ce que l'enregistrement soit exempt d'écho, de réverbération et de bruit ;

4. Équipement et Paramètres d'Enregistrement

Un micro à réduction de bruit ou un micro-cravate sans fil (« petite abeille ») est recommandé comme matériel d'enregistrement ; une bonnette ou un filtre anti-pop est recommandé si possible ;

Une fréquence d'échantillonnage de 48 kHz est recommandée pour l'enregistrement audio ;

Enregistrez l'audio dans un format sans perte tel que WAV, AIFF ou M4A ; n'enregistrez pas l'audio dans un format compressé tel que MP3 ;

5. Le Locuteur

Le locuteur ne doit pas être trop proche du micro, afin d'éviter les sons de saturation et l'enregistrement des bruits de respiration ; chaque phrase doit être prononcée d'un trait, sans interruption ;

La prononciation doit être claire et articulée, avec des pauses nettes entre les phrases ;

Faites une pause de 1 à 2 secondes entre les phrases ;

Gardez un ton et un style constants du début à la fin, en évitant de mélanger différentes émotions.

6. Différences entre les Exigences de la Voix et de l'Avatar

Les avatars V2 exigent beaucoup de la vidéo source — vous devez parler normalement, porter un micro à réduction de bruit, garder l'environnement silencieux et enregistrer une vidéo d'au moins trois minutes ;

Les avatars V5 ont des exigences moindres sur la vidéo source — la vidéo source peut être enregistrée avec ou sans parole normale, minimum 3 minutes ; l'accélération GPU est requise avant d'entraîner un avatar V5, mais pas pour le V2 ;

La voix V9 sollicite moins la performance de l'ordinateur ; la voix V6 en sollicite un peu plus que la V9 mais ne provoque pas de saccades du livestream. Exigences pour tous les enregistrements vocaux : parlez normalement (ne récitez pas de chiffres), portez un micro à réduction de bruit, gardez l'environnement silencieux sans aucun bruit. Si l'audio source contient du bruit, utilisez CapCut (Jianying) pour appliquer une réduction de bruit.

Référence de qualité audio pour l'enregistrement

🎵 [Audio] Voiceover Audio Quality EN2.wav