聲音複製採集標準與參考
1. 音訊時長
有效音訊時長：1～3 分鐘；
2. 錄製準備
依不同使用情境準備文字內容，確保內容符合預期的使用場景（朗讀、直播、日常說話等）；
3. 錄製環境
錄製環境必須安靜，背景噪音低於 40dB。可用「分貝計」App 測試環境噪音等級；
錄音須無回音、殘響與雜訊；
4. 錄製設備與參數
錄製設備建議使用降噪麥克風或無線領夾式麥克風（「小蜜蜂」）；若條件允許，建議加裝防風罩或防噴罩；
音訊錄製建議採用 48kHz 取樣率；
音訊請以 WAV、AIFF 或 M4A 等無損格式儲存；不要以 MP3 等壓縮格式儲存音訊；
5. 說話者
說話者不宜離麥克風太近，以免產生噴麥聲並錄進呼吸聲；每句話應一氣呵成、順暢說完；
發音應清晰、字正腔圓，句與句之間停頓分明；
句與句之間停頓 1～2 秒；
全程保持一致的語氣與風格，避免混雜不同情緒。
6. 聲音與形象要求的差異
V2 形象對來源素材要求很高 — 你必須正常說話、配戴降噪麥克風、保持環境安靜，並錄製至少三分鐘的影片；
V5 形象對來源素材要求較低 — 來源影片錄製時可正常說話也可不說話，最短 3 分鐘；訓練 V5 形象前需先啟用 GPU 加速，V2 則不需要；
V9 語音佔用的電腦效能較少；V6 語音佔用略多於 V9，但不會造成直播卡頓。所有語音錄製的要求：正常說話（不要唸數字）、配戴降噪麥克風、保持環境安靜且完全無雜訊。若來源音訊有雜訊，請使用 CapCut (Jianying) 進行降噪。