mirror of
https://github.com/index-tts/index-tts.git
synced 2026-10-30 18:10:01 +08:00
puke
d9e41aac89
生成波形的长度来自 token 数而不是声学：target_lengths = (code_lens * 1.72)， 其中 code_lens 是采样到的 stop_mel_token 的下标。解码是随机采样，因此少数情况下 停止符落得偏早，mel 在话音尚未结束时截止，文件最后一个采样点离零很远，播放时 这个阶跃就是一声咔哒。BigVGAN 在 mel 边界处感受野不完整，还可能再叠一段突发噪声。 在 utils/common.py 新增 fade_out_tail()，把拼接完成的波形末尾 20 ms 无条件用 升余弦斜坡降到零，并在四个组装最终波形的位置调用（infer.py 两处、infer_v2.py、 infer_v2_5.py）。 无条件施加而不先做检测：正常生成的尾部本来就是静音，斜坡在那里是空操作。 112 条正常生成实测，62 条逐比特未变，其余没有一条的任何采样点改动超过 -42.8 dBFS（中位 -76.8 dBFS）。10 条有问题的生成末值全部归零。 146 条实测中 11 条（7.5%）出现该问题，与 #523 中他人独立测得的约 5% 同量级。 不解决多吐高频嘶声那个子类型（11 条中 2 条），那需要检测器和阈值，应另开 PR。 流式路径不经过最终拼接，不受影响。 Refs #247, #488, #523, #633