在 大模型之三十-语音合成TTS(coqui)[shichaog @CSDN]中提到了xttsv2的fine-tune。
数据情况：
我是从bilibili up主小Lin说提取了一些视频，然后进行了重新的fine-tune。
训练结果
如下图所示，上面波形幅度较大的是xttsv2原始模型的结果，第二个是fine-tune了290000 step之后的结果，因为CSDN没法直接放wav文件，上传到CSDN上了，但是不知道怎么变成了VIP资源，如果想要的，可以留言，超过10+人我做个网盘链接供大家下载。
后续计划
- 后续会训练vits模型以和xttsv2的效果做对比
- 改进中文编码，只支持中英文以提高效率&性能
- 增加文本上下文，以合成合适情感、情境的语音