速度・韻律調整
快速入門建議:先只調 speed
大多數情況下,除 speed 之外的參數保持預設聽起來最自然。
pitch_scale 或 intonation_scale 偏離 1.0 時會伴隨輕微的音質下降。
「只是想稍微快一點/慢一點」的話,先只調 speed,其餘的等到需要時再前往 進階參數 部分。
generate() 接受六個可調整語速・音高・韻律・變化度的關鍵字參數。
全部可省略,不傳任何參數時使用訓練時的預設值進行合成。
以下範例均使用 tsukuyomi_chan 說話人,朗讀同一句話(「今日はどんな国に辿り着くのでしょうか。新しい出会いが楽しみです。」),僅改變該參數。
參數行為與 HayaKoe 所 fork 的 Style-Bert-VITS2 的 infer() 相同。
speed — 語速
以預設值 1.0 為基準,值越小越快,值越大越慢。
內部機制是將 Duration Predictor 預測的音素時長直接乘以 speed,因此發音本身能保持良好。
低於 0.8 時發音會模糊,超過 1.3 時更接近「拖沓」而非「慢」。
實際使用中 0.9 ~ 1.1 左右最自然。
speaker.generate(text, speed=0.9) # 稍快
speaker.generate(text, speed=1.1) # 稍慢進階參數
從這裡開始的設定在預設值下已經足夠自然,但當需要精細調整時可以使用。
總覽
| 參數 | 預設值 | 建議範圍 | 效果 |
|---|---|---|---|
pitch_scale | 1.0 | 0.95 ~ 1.05 | 音高倍率。偏離 1.0 時會有輕微音質下降 |
intonation_scale | 1.0 | 0.8 ~ 1.3 | 韻律起伏。偏離 1.0 時會有輕微音質下降 |
sdp_ratio | 0.2 | 0.0 ~ 0.5 | 確定性 DP 與隨機性 SDP 的混合比例 |
noise | 0.6 | 0.3 ~ 0.9 | 語音變動性（音色隨機性） |
noise_w | 0.8 | 0.5 ~ 1.2 | 發話節奏變動性（SDP 噪聲） |
建議每次只調整一個參數。
下面的範例為了讓差異可以被聽出,刻意將值推到了建議範圍之外。
pitch_scale — 音高
整體提高或降低音高的簡單倍率。
偏離 1.0 時會伴隨輕微的音質下降,因此 建議調整幅度比其他參數更小。
在 0.95 ~ 1.05 範圍內說話人特徵基本保持不變,但在極端值下會變成「另一個人」或音質明顯下降。
speaker.generate(text, pitch_scale=1.05)intonation_scale — 韻律起伏
調整韻律變化的「幅度」。
0.0 幾乎是完全單調的機器人音,2.0 是誇張的朗讀音。
與 pitch_scale 一樣,偏離 1.0 時會有輕微的音質下降。
實際使用中 0.85 ~ 1.3 左右自然。
speaker.generate(text, intonation_scale=1.2)sdp_ratio — 確定性/隨機性時長預測混合
HayaKoe(和 Style-Bert-VITS2)同時使用兩種時長預測器。
- DP (Deterministic Duration Predictor) — 對相同文本始終給出相同時長
- SDP (Stochastic Duration Predictor) — 每次呼叫給出略有不同的時長
sdp_ratio 是兩個預測器的混合比例,0.0 表示僅用 DP,1.0 表示僅用 SDP。
值越高,句子內的節奏起伏越大,同一文本多次執行時結果每次都不同。
對可重現性要求較高的服務(例如:字幕時間軸固定)中設為 0.0,一次性生成則 0.2 ~ 0.4 比較自然。
speaker.generate(text, sdp_ratio=0.0) # 總是相同noise / noise_w — 語音・節奏變動性
各自作用於不同階段的噪聲（不是音素本身的噪聲）。
noise— 語音變動性。在 Flow 階段控制音色的整體隨機性。與sdp_ratio無關,始終有效。noise_w— 發話節奏變動性。輸入 SDP（隨機性預測器）的噪聲。sdp_ratio為 0 時無效。
以下範例保持其餘參數為預設值,僅改變該噪聲。
大多數情況下保持預設值(0.6、0.8)最自然。
如果覺得「總是在抖動」,試著稍微降低該側噪聲;如果覺得「太機械化」,試著稍微提高。