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。不同版本录制规格如下：
- 基础版：整段录制生成一个WAV或MP3格式音频，总时长3~10分钟，建议5分钟。
- 进阶版：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。
- 高品质：整段录制生成一个WAV或MP3格式音频，总时长1小时以上，建议1小时。
原声录制音频和其对应生成的音色播报示例，如客户声音制作案例所示。
录音准备
|
声音类型 |
录制设备和软件 |
录音环境 |
录音文案 |
|---|---|---|---|
|
基础版 |
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。 |
|
建议使用对应版本预置的文案样例：文案样例（基础版）、文案样例（进阶版）、文案样例（高品质）。 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。 |
|
进阶版 |
|||
|
高品质 |
专业录音棚+高保真MIC录制。 |
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。
|
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。 |
|
录制风格 |
录制全程保持语境风格一致，避免多种情绪混杂。如直播场景时，录制风格需接近日常直播效果。 |
|
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。峰值RMS在-9左右，无削波。 |
|
停顿断句 |
在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
|
声音类型 |
音频说明 |
音频命名 |
|---|---|---|
|
基础版 |
需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。 |
|
进阶版 |
||
|
高品质 |
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：
声音模型制作耗时，如下所示：
- 基础版：约1~3个工作日。
- 进阶版：约1~3个工作日。
- 高品质：约5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。
