用新版本生成了一个语音，变速选项选的是“按字幕”，生成的音频文件与原字幕对比还是出现了比较大的偏差，比如生成的语音超过了原字幕时间的时长，通过更改设置能否获得更精准的对位？其他的测试正在尝试，因为生成时间太长，所以上来先问问。因为我正在整理的字幕会有一些通过鼠标的展示，对位不准的话，可能就差了好多。
另外，哪些选项能让语音听上去不那么平？目前的感觉还是有点不太自然。
最大速率设置的多少?
最大速率不知道应该设多少，所以就没设，我原先脑补的场景是‘如果变速选项选择“按字幕”就会自动计算调速所需的速率了’，是不是我理解错了？
最大速率是强制限制,默认是1,比如设置3的话.那么如果有句话持续时间特别短,但是需要念的特别长,如果不限制的话,这句话就听不清.限制后这句话的变速最大为3.尽可能保证一个能听的声音.所以需要设置一个最大速率,防止这种情况发生
多谢，我回头用短视频多试试，cpu处理长视频效率还是太低了。
1.103.11修复了全局配置速度控制无效
谢谢！的确有效果，但音频首尾都会有一些静默时间，我是这样测试的，用一个没有时间轴的txt文件生成语音，然后用生成语音时同时生成的srt文件做两个测试：
1、不对srt进行任何调整
2、对srt的时间轴进行精确调整
最终测试后的结果，不能与原音频完全契合，我还在想有没有其他可以尝试的方法。
您的意思是利用文本生成的字幕再生成文本?两者的音频对不上?
相关测试文本发一下
1、test.txt
测试，所有内容都是中文的。
Trump喜欢ICT
2002年11月11日
2、test.txt生成的字幕
1
00:00:00,000 → 00:00:03,541
测试，所有内容都是中文的。
2
00:00:03,541 → 00:00:05,077
Trump喜欢ICT
3
00:00:05,077 → 00:00:07,680
2002年11月11日
3、根据上一步字幕生成的语音的字幕
1
00:00:00,000 → 00:00:02,816
测试，所有内容都是中文的。
2
00:00:03,541 → 00:00:04,992
Trump喜欢ICT
3
00:00:05,077 → 00:00:07,381
2002年11月11日
段落间隔=0
分句间隔=0
变速模式=按字幕
变速比率=3
文件链接
通过网盘分享的文件：内容.7z
链接: 百度网盘 请输入提取码 提取码: y8yq
1 个赞
我测试了下:
- 文本生成语音
- 清除切片缓存
- 利用生成的字幕再生成语音
如果是按照这个流程生成的话,字幕变化也是正常的,因为音频生成有一定随机性,不一定保证每次生成的都一样(但是也差不了多少)
影响随机的参数有很多比如,topp, Temperature.不可能保证每次生成都一样
如果说不清除缓存的话,前后字幕就会一样,因为直接使用缓存了
如果说非要生成前后字幕长度一样的话,那么就会出现第二次生成的时间短,但是需要强制减速拉长时间(但是一般没人这么办,都是生成的长加速)
缓存的设计就是保证配置没变的情况下能直接输出,防止用户修改一点就需要全部重新生成,浪费时间
我在豆包中查了一下indextts设置中几个参数的含义，根据豆包给出的提示通过设置max_mel_tokens、length_penalty、分句最大Token数，基本上能比较准确地控制每句话的起止时间，唯独在我昨天发给您的字幕中的第三条年月日那条出现了问题，之后我再打开indextts配置时，发现更改的选项又恢复了默认值，之后我试了好几次，都是再次打开时都会恢复到默认值，也没有找到保存按钮，说了这么多，其实主要就是两个问题：
1、通过max_mel_tokens、length_penalty、分句最大Token数可以比较精确地控制字幕每句话的起止时间
2、indextts设置中的参数表面上看是无法保存（看生成的结果似乎生效了，但表面看还是默认值）
下面是我问豆包的连接，大佬可以看看有没有参考价值
过了两个小时，再点设置发现又能保存了，生成语音之后，又恢复到默认值了，感觉有点奇怪，
参数问题我会看下
不过现在的生成音频和生成字幕不能一一对应吗?
还是说传入的字幕和生成字幕不同,但是生成音频和生成字幕还是相同
1.103.13已修复Indextts配置修改问题
就目前的情况看，比之前的版本已经有很大改善了，有时间我再试试长点的字幕，下周indexTTS又会出新版了，希望能有更实用的功能