本期内容，相较于上手难度较大的VITS，仅从兴趣体验角度，分享可以免费替代的——角色语音生成工具：Reecho.ai。
1. 引入
[admonition title=”VITS简介” color=”indigo”]是一种结合变分推理、标准化流和对抗训练的高表现力语音合成模型[/admonition]
VITS项目开源：https://github.com/jaywalnut310/vits
简而言之，每个用户都可以向VITS模型“提供声音”，以较低的成本创造独属于自己的“声库”。相较于请声优花费大量的时间逐个音节录音、提取声源、人工创建声库，最后再人工调音的复杂流程，VITS训练声库的高度定制化、低成本等特质让语音合成创作更加的“亲民”。
2. 问题
[admonition]VITS新手难度
性能、硬件和时间需求：VITS模型可能需要大量的计算资源和时间来训练，CPU和GPU有一定要求。对于资源有限的初学者来说，这可能是一个障碍。
理解VAE和Flow模型：VITS模型基于条件变分自编码器（cVAE）和标准化流（Flow）。初学者需要理解这些模型的基本原理。
对抗学习：初学者需要理解生成器、判别器等概念。
模型结构：VITS模型包含了多个组件，如文本编码器、后验编码器、先验编码器、解码器和判别器。每个组件都有其特定的作用和结构，理解它们如何协同工作具有挑战性。
编程和框架：实现VITS通常需要使用深度学习框架，如PyTorch。进一步学习需要熟悉这些框架以及相关的编程技巧。[/admonition]
3. 解决
[admonition title=”替代工具Reecho.ai” color=”indigo”]REECHO睿声语音大模型已预先经过海量中文音频的训练，训练的内容涵盖多种类型，模型会尽可能模仿克隆音频样本的语调、语速、情感、停顿、响度、声学环境、呼吸声、口音、发声方式等特征。[/admonition]
REECHO官网：更新日志 | REECHO 睿声
4. 优点
➢ 瞬时语音克隆：只需提供5-8秒任意样本，且无需对模型进行任何训练；
➢ 低学习成本克隆：AI将会在3-60分钟内深入训练学习您所提供的声音样本的每一个语调、发音方式、节奏、韵律等各项细节。
➢ 新用户有1500字免费体验积分，训练响应速度快，有增强文本情感和音质增强（实验性）功能可选。
5. 教程
- 模型选择：默认REECHO睿声人声大模型
- 风格选择：可以选择高质量模式或者低延迟模式，关于生存风格可以选择平衡、创意，同时还可以为文本生成SRT字幕文件方便后续的媒体制作
- 文本编辑：注意句段正确的分割，可以提升语音的自然度和流畅性；
- 情感调节：启用后，将会增强输入文本的语义及情感对生成结果的影响，但同时会减弱来自角色样本的情感风格影响；开启后生成结果通常将更贴合文本语义，具有更高的多样性，能够更好的表现副语言及语气词，但可能会影响整体的生成质量，并导致结果与样本风格不一致
[admonition]三个调试指标：
多样性：控制语音生成的多样性，值越大，生成的语音将具备更高的表现力上限与随机性范围；应为0到100的整数，建议不小于90
稳定性过滤：限制在生成过程中仅选择前n个最佳的路径，值越小，生成的语音通常越平淡与稳定，但同时也可能导致表达某些内容或音色时的效果下降或异常；
概率优选：在生成过程中仅由大到小在概率总和大于n的路径中选择，值越小，生成的语音通常越平淡与稳定，但同时也可能导致表达某些内容或音色时的效果下降或异常[/admonition]
