分享一下个人的心得，刚刚开始玩。
训练，sovits v4整合包，N卡必须。
高质量的素材，通常为你希望生成的音声风格同类，且没有效果音的最好，大约10分钟左右，如果希望玩荤的，最好荤的部分单独模型存在（和素的分开）。我只玩荤的所以没有准备素的素材。
最好不要降噪，或者说最好你的素材就不需要降噪。
素材的中文标注要准确，有几个啊，写几个啊，如果你后续生成的部分希望有很多喘的，那么你最好把喘的时候的每一个嗯，呀，啊，哦都写出来，让ai可以识别出来。我的训练一共是127段，其中有一半以上都有大量的哦，嗯，啊，呀，标注费了不少力气，但是后续推理的时候输入的时候就很自然。
其他就按照整合包训练就好。
推理注意：第一，参考音频，这个很有用，对于语速，语音风格，都很有调整，比如不同风格的喘（加速喘，缓速喘）可以调节语速等等，另外就是荤的内容其实也没那么多情感，就是急和缓，用参考音频和语速选项进行控制，多抽几次卡就行。
第二，不要一次搞一大段，当然你可以用句号隔开，但是这种长段落每一个句号会有完全黑掉的声音，我现在的解决方法还是笨办法，就是每一句化开头加入几个啊啊，嗯啊之类的（反正我是玩荤的）然后用剪映认真的修剪出来，那个波形大致懂了以后其实还是很简单的。并且10来秒一句的质量也比一大段高很多，还能控制内容和情感（参考语段，标点符号等，但是控制的不精确）。
第三，其实效率不高，每一句话都要抽卡，调整，十来秒一句十来秒一句，一个5分钟的音频一做就是一下午，唯一的好处就是让ai音声完美的契合你的小众xp，仅此而已（这也就是目的了）。
还在钻研中，认真做的化确实和真人没有区别，接下来打算给声音加音效，dmm上卖的不少。
