最近看了这个帖子 https://www./t/1182067#reply243 链接，让我对 AI 变声有一些思考。 其实，变声的核心在于音色的数据集。换句话说，如果想“模拟”一个人的声音，需要收集到特定条件的数据： 同一个人的语音 说话清晰，口齿分明 时长充足，通常 20–60 分钟以上 可能的采集场景： 视频博主：上传的视频或直播语音被用于训练 AI 模型 恶意行为者：多次语音沟通，甚至利用通讯录信息，模拟你的声音向家人进行诈骗 变声, 音色, 数据集
1. 思而不学则殆，Voice Conversion 已经是个很成熟的技术了 2. 核心是声学特征，不是数据集，比如梅尔频谱、F0 、频谱包络等。 3. 不用那么长时间，Zero-shot 可以做到 10 秒了。就算是追求高真实度，也是更加注重精细声学、声码器，以及解耦和扩散模型上。 4. 你说的采集场景和应用场景已经被玩烂了，so-vits-svc 就是因为涉及到法律问题才主动 archived 的。
