个性化语音定制流程
Muyan-TTS通过SFT（Supervised Fine-Tuning）模型实现个性化语音生成，主要包含以下步骤：
- Data preparation：收集目标speaker的至少30分钟清晰语音数据（WAV格式），建议采样率16kHz，单声道
- Data preprocessing：使用集成的Whisper和FunASR工具进行语音转录，生成结构化数据集
- Model Tuning: Modification
training/sft.yaml配置文件后运行train.shpriming training - 权重整合：将基础模型的
sovits.pth复制到新模型目录保持解码器一致性
数据质量要求
- 避免背景噪音和音频失真
- 保持语音风格一致性（如播客场景建议使用正式口语风格）
- 转录文本准确率需＞95%
典型训练参数
基础配置下，使用单卡A100训练1小时（约1000步）即可获得可用的个性化模型。推荐学习率3e-5，batch size 8。
This answer comes from the articleMuyan-TTS: Personalized Podcast Speech Training and SynthesisThe
May not be reproduced without permission:AI productivity tools " Muyan-TTS的个性化语音定制功能如何使用？需要准备哪些数据？
English 
简体中文 
日本語 
Deutsch 
Português do Brasil