训练问题

[cxy113rgzn]

请问博主，为什么不同的数据集训练效果差异很大；用的checkpoint-zh_0.pt+vocoder.pt，数据集有原神语音包、cosyvoice生成的音频数据、开源数据集，但是只有原神语音包训后的效果停顿相对自然

[KdaiP]

旧版本在梅尔频谱和attention mask上有比较大的问题，导致收敛较慢，韵律也不自然。可以试试最新版本，应该能解决该问题。

另外，StableTTS的收敛会比其他自回归模型和Vits慢不少，比如目前的底模训练了20天。对于OOD的数据，可能需要更长的时间来拟合。