音声クローン用オーディオ収録の基準とリファレンス

1. 音声の長さ

有効な音声の長さ：1〜3 分。

2. 収録の準備

用途に応じてテキスト内容を用意し、意図する文脈（朗読、ライブ配信、日常会話など）に合った内容にします。

3. 収録環境

収録環境は静かでなければならず、暗騒音は 40dB 未満に抑えます。「騒音計」アプリを使って周囲の騒音レベルを測定できます。

収録にエコー、残響、ノイズが入らないようにします。

4. 収録機材とパラメーター

収録機材はノイズキャンセリング機能付きのマイクか、ワイヤレスのピンマイク（いわゆる「小蜜蜂」）を推奨します。可能であればウインドスクリーンやポップガードの使用を推奨します。

音声の収録には 48kHz のサンプルレートを推奨します。

音声は WAV、AIFF、M4A などのロスレス形式で保存してください。MP3 などの圧縮形式では保存しないでください。

5. 話者について

破裂音や呼吸音が入らないよう、話者はマイクに近づきすぎないようにします。各文はよどみなく一息で話してください。

発音は明瞭かつはっきりと、文と文の間には明確な区切りを設けます。

文と文の間は 1〜2 秒ポーズを取ってください。

全体を通してトーンとスタイルを一定に保ち、さまざまな感情が混ざらないようにします。

6. 音声とアバターの要件の違い

V2 アバターはソース映像に対する要件が高く、ふつうに話し、ノイズキャンセリング機能付きのマイクを着用し、環境を静かに保ち、3 分以上の動画を撮影する必要があります。

V5 アバターはソース映像に対する要件が低く、ふつうに話しても話さなくてもよく、最低 3 分のソース動画で構いません。V5 アバターの学習前には GPU アクセラレーションが必要ですが、V2 では不要です。

V9 音声はパソコンの負荷が軽くなります。V6 音声は V9 よりわずかに負荷が高いものの、配信のカクつきは起こしません。すべての音声収録に共通の要件：ふつうに話し（数字を読み上げない）、ノイズキャンセリング機能付きのマイクを着用し、ノイズがまったくない静かな環境を保ちます。ソース音声にノイズがある場合は、CapCut（Jianying）でノイズ低減を適用してください。