瞬时克隆/风格引导样本注意事项#
如概览中所述，如果您提供的声音样本较为独特，我们的AI曾经没有学习过类似的声音，则可能导致较差的生成结果，或无法较好的复刻该声音。样本质量比长度更重要。有噪音的样本可能会产生不好的结果，请尽可能提供高质量的样本语音。目前，样本语音长度需大于2秒，且文件大小不超过20M。您也可以通过一些音频编辑软件的人声分离/音频降噪/人声美化/响度标准化 等功能来尝试从任意音频中获得较高质量的人声音频样本。
专业克隆注意事项#
在开始您的专业克隆前，您需要准备用于克隆的单个或多个音频样本文件。所有音频样本文件相加的总时长至少为1分钟，最多60分钟；在该范围内，总时长越大，克隆效果越佳。
每个音频文件都需要为wav/mp3/mp4（建议转为音频）/flac/m4a/ogg格式。
请确保尽可能提供高质量的音频，且确保音频中包含可被识别的语句（有关支持的语言，请参见算法介绍）。同时，您需要避免音频中出现严重噪声、多个说话人等干扰。 综合注意事项#
我们的AI语音合成算法将尝试模仿它在音频中听到的所有内容，例如说话人的语调、语速、口音、呼吸 方式、力度、背景噪音、人声噪音、迟疑停顿等其它所有一切。这意味着如果样本音频中包含相关信息，均有可能被AI模仿并表现于最终合成中。也就是说，如果您用缓慢，平淡的声音说话，最终结果通常也会如此；或者您用激动，快速的方式说话，AI也会尝试对其进行模仿。非常重要的一点是，我们建议您尽可能在各方面确保整段语音样本中语音表现的一致性，如果样本前2秒的表现是激动并快速的，那后续几秒也需要尽可能保持相似的表现，包括语调，语速，音量等各方面。如果您在同一段语音样本中表现波动过大，则有可能使AI感到困惑，并在每次生成时产生更为不可预测的结果。声音的表现本身、口音以及录音的质量会大幅影响克隆的最终效果
对于瞬时克隆，音频的长度对合成质量的影响并不大，但我们建议至少保证五秒长度以包含足够的信息
尽可能保持整段音频样本中语音表现和录音质量的一致性，避免在同一段中出现过大的变化
音频的音量也可能会被AI复刻，因此我们建议您调整至合理的音量平衡范围，以避免声音过大或过小
V2 系列版本的算法 (V2.9) 仅支持中文与英文，使用 V2 系列算法版本时请确保输入的文本中不包含任何非中英文字符，例如日文韩文等，否则可能会导致生成失败等问题。自 V3 系列开始，我们除中英文外新增粤语、日语、韩语、法语、德语、西班牙语及葡萄牙语，以及这些语言的共计30余种口音变体；请确保您使用的算法版本及文本内容输入符合对应的支持能力。
