使用参考音色，连续生成超过 100 个汉字的句子时，后面的啸叫声就会越来越大直至彻底不能听

[shebaoting]

同题。使用参考音色，连续生成超过 100 个汉字的句子时，后面的啸叫声就会越来越大直至彻底乱成一团不能听。

实测。每次生成控制在 50 个字以内是没问题的。之后就会从一点点杂音，到啸叫声逐渐增大，像回音一样，到最后彻底爆成一团。。。

我的微信(base64)：c2hlYmFvdGluZw== 方便的话联系我，我提供参考音色您们测试。

[a710128]

同题。使用参考音色，连续生成超过 100 个汉字的句子时，后面的啸叫声就会越来越大直至彻底乱成一团不能听。

实测。每次生成控制在 50 个字以内是没问题的。之后就会从一点点杂音，到啸叫声逐渐增大，像回音一样，到最后彻底爆成一团。。。

我的微信(base64)：c2hlYmFvdGluZw== 方便的话联系我，我提供参考音色您们测试。

感谢你的反馈，这个现象会和参考音频本身质量有一定关系，如果参考音频本身更干净一些会好一些。目前模型对于输入噪声还是比较敏感，对于长音频可以：

• 将长句子切为更短的句子分开合成；
• 将 CFG 改小一点，到 1.5 左右的样子，能够缓解这个问题。

后续我们还会持续的优化模型的稳定性。如果有更多疑问也欢迎加入我们飞书的频道，回复会更及时些。