Padrões e Referência de Coleta para Clonagem de Voz

Clonagem de Voz — Padrões de Coleta de Áudio

1. Duração do Áudio

Duração efetiva do áudio: 1 a 3 minutos;

2. Preparação da Gravação

Prepare o conteúdo de texto de acordo com os diferentes casos de uso, garantindo que o conteúdo corresponda ao contexto pretendido (leitura em voz alta, livestream, fala do dia a dia, etc.);

3. Ambiente de Gravação

O ambiente de gravação deve ser silencioso, com ruído de fundo abaixo de 40dB. Você pode usar um aplicativo de "decibelímetro" para testar o nível de ruído do ambiente;

Mantenha a gravação livre de eco, reverberação e ruído;

4. Equipamento e Parâmetros de Gravação

Recomenda-se um microfone com cancelamento de ruído ou um microfone de lapela sem fio ("little bee") como equipamento de gravação; se possível, recomenda-se um protetor contra vento ou filtro pop;

Recomenda-se uma taxa de amostragem de 48kHz para a gravação de áudio;

Salve o áudio em um formato sem perdas, como WAV, AIFF ou M4A; não salve o áudio em formato comprimido, como MP3;

5. O Locutor

O locutor não deve ficar muito perto do microfone, para evitar estalos e a captação de ruídos de respiração; cada frase deve ser dita de forma fluida, de uma só vez;

A pronúncia deve ser clara e articulada, com pausas nítidas entre as frases;

Faça uma pausa de 1 a 2 segundos entre as frases;

Mantenha um tom e um estilo consistentes do início ao fim, evitando misturar emoções diferentes.

6. Diferenças Entre os Requisitos de Voz e de Avatar

Os avatares V2 têm exigências altas quanto ao vídeo de origem — você precisa falar normalmente, usar um microfone com cancelamento de ruído, manter o ambiente silencioso e gravar um vídeo de pelo menos três minutos;

Os avatares V5 têm exigências menores quanto ao vídeo de origem — o vídeo de origem pode ser gravado com ou sem fala normal, com no mínimo 3 minutos; a aceleração por GPU é obrigatória antes de treinar um avatar V5, mas não para o V2;

A voz V9 consome menos desempenho do computador; a voz V6 consome um pouco mais que a V9, mas não causa travamento no livestream. Requisitos para todas as gravações de voz: fale normalmente (não leia números em voz alta), use um microfone com cancelamento de ruído e mantenha o ambiente silencioso, sem ruído algum. Se o áudio de origem tiver ruído, use o CapCut (Jianying) para aplicar redução de ruído.

Referência de qualidade de áudio para gravação: 🎵 [Áudio] Voiceover Audio Quality EN2.wav