Phụ lục 2 — Tiêu chuẩn và Tham chiếu Thu thập Nhân bản Giọng nói

Nhân bản Giọng nói — Tiêu chuẩn Thu thập Âm thanh

1. Thời lượng Âm thanh

Thời lượng âm thanh hiệu quả: 1–3 phút.

2. Chuẩn bị Ghi âm

Chuẩn bị nội dung văn bản theo từng trường hợp sử dụng, đảm bảo nội dung khớp với ngữ cảnh dự kiến (đọc to, livestream, nói chuyện thường ngày, v.v.).

3. Môi trường Ghi âm

Môi trường ghi âm phải yên tĩnh, với tiếng ồn nền dưới 40dB. Bạn có thể dùng ứng dụng "đo decibel" để kiểm tra mức tiếng ồn xung quanh.

Giữ bản ghi không có tiếng vọng, vang, và tạp âm.

4. Thiết bị và Thông số Ghi âm

Nên dùng micro chống ồn hoặc micro cài áo không dây ("con ong nhỏ") làm thiết bị ghi âm; nên dùng kính chắn gió hoặc màng lọc âm (pop filter) nếu có thể.

Nên ghi âm ở tần số lấy mẫu 48kHz.

Lưu âm thanh ở định dạng không nén như WAV, AIFF, hoặc M4A; không lưu âm thanh ở định dạng nén như MP3.

5. Người nói

Người nói không nên quá gần micro, để tránh tiếng bật hơi và ghi lại tiếng thở; mỗi câu nên nói trôi chảy trong một hơi.

Phát âm phải rõ ràng, tròn vành rõ chữ, với các quãng ngắt rõ ràng giữa các câu.

Ngắt 1–2 giây giữa các câu.

Giữ giọng điệu và phong cách nhất quán xuyên suốt, tránh pha trộn nhiều cảm xúc khác nhau.

6. Khác biệt giữa Yêu cầu về Giọng nói và Avatar

Avatar V2 yêu cầu cao về video nguồn — bạn phải nói bình thường, đeo micro chống ồn, giữ môi trường yên tĩnh, và quay một video dài ít nhất ba phút.

Avatar V5 yêu cầu thấp hơn về video nguồn — video nguồn có thể quay với giọng nói bình thường hoặc không, tối thiểu 3 phút; phải bật tăng tốc GPU trước khi huấn luyện avatar V5, nhưng không cần cho V2.

Giọng V9 dùng ít hiệu năng máy hơn; giọng V6 dùng nhiều hơn V9 một chút nhưng không gây giật livestream. Yêu cầu cho mọi bản ghi giọng: nói bình thường (không đọc thành tiếng các con số), đeo micro chống ồn, giữ môi trường yên tĩnh không có tạp âm nào. Nếu âm thanh nguồn có tạp âm, dùng CapCut (Jianying) để khử ồn.