更新时间:2024-12-11 GMT+08:00

真人声音录制

客户录制真人音频,上传至MetaStudio进行AI训练,即可得到和真人音色1:1复刻的声音模型。

声音模型可实现文本转语音,应用于数字人视频制作、直播、交互问答等场景中。

声音制作的录制规格为:整段录制生成一个WAV或MP3格式音频,总时长10~30分钟,建议15分钟。

录音准备

表1 录音准备

录制设备和软件

录音环境

录音文案

优先使用专业录音设备录制音频,推荐使用Adobe Audition软件进行录音。

如果不具备专业录音设备,可使用手机录制音频,详情请参见手机录制音频

  • 录音环境安静,无回音、混响、噪声,避免出现汽车鸣笛、他人说话、走动等杂声。
  • 可使用“分贝仪”应用来测试录音环境的底噪,建议底噪低于0dB。
  • 同一批录音必须使用同一套录制设备和环境。

建议使用预置的文案样例:文案样例(进阶版)

支持自定义文案,单句文案长短需和样例相当。

不建议临场即兴发挥录制,避免出现较多嗯、啊等语气词,影响连贯性。

开始录音

必须录制单人高质量、无噪音或背景音的人声语音,生成音频。支持使用苹果或者安卓手机录制视频,操作请参考手机录制音频

具体的录音注意事项,如表2所示。

表2 录音注意事项

录音事项

说明

话筒间距

调整与麦克风之间的距离,以一拳距离为宜。不宜离麦太近,防止喷麦或录入呼吸声。

录音内容

每句文案起始数字编号无需阅读。

示例:4. 它不仅拥有出色的功能,还具备卓越的性能,序号4无需阅读。

音频格式

推荐使用无损音质格式保存音频文件,如WAV、MP3格式。

原始录音数据,需为48kHz采样率、16bit编码和单声道。

语音风格

录制全程保持语境风格一致,避免多种情绪混杂

发音吐字

发音吐字清晰、准确,音量适中。如果出现喷麦或嘶嘶声音,建议当前句子重新录制。

语速节奏

语速自然、平稳,切忌过快过慢、忽快忽慢

音量适中

音量不能过小、过大、或忽大忽小,甚至削波爆音。

停顿断句

标点或适当断句处自然停顿,需轻声换气。

当录制一个长音频文件时,每句之间需要有2~3秒的停顿。

重音位置

重音位置要合理,避免错误的重音

阅读发音

按顺序读,确保音字一致。避免漏字多字发音错误阅读不流畅等问题。如有这些问题,需重新录制

内容要求

不能使用短音频复制拼接成长音频,会影响训练效果,无法通过审核。

录制提交

整段录制所有语料生成一个长音频WAV或MP3格式文件,每句之间有2~3秒的停顿。WAV或MP3格式文件可直接上传MetaStudio控制台,无需压缩,无需提供语料txt文件。推荐使用服务预置语料,也可自定义语料。系统会自动根据停顿做切割,自动识别文本内容。

音频文件命名无要求,可自定义,命名示例:Voice.wav。

制作声音模型

准备好音频文件后,就可以上传至MetaStudio控制台,进行声音训练。详细操作如下所示:

声音制作耗时约7个工作日。

自定义声音应用方式,如下所示:

  • 自定义声音生成后,会自动展示在MetaStudio控制台声音列表中,可用于分身数字人视频制作、视频直播或智能交互等场景中。
  • 通过MetaStudio的API调用自定义声音。