qwen3-tts昔涟微调

Name: qwen3-tts昔涟微调
Uploaded: 2026-09-18T11:08:36.000Z
Duration: 48 s
Channel: 中生爱吃饼

660

2026-09-18 19:08:36

含AI生成内容

感谢@简单的云游四海大佬解包的351条游戏中昔涟的语音资源最终成果音色还原：长句 ASR 与原声相似度 1.00（连 ASR 分不清的"负世/复试"，模型和真人念得一模一样）长文测试：192 字独白逐句合成，8/8 全部通过，无跑飞、无音色漂移已上线：部署到服务器 P104 老卡（fp16），我的 bot 已经在用她说话了踩过的坑（按剧情顺序） ① 官方微调脚本，直接跑是纯噪声。 Qwen3-TTS 官方的 sft_12hz.py 至少埋了 4 个 bug：缺 text_projection 调用、talker 和 sub_talker 双重 label-shift、索引错位。最阴险的是——不修也不报错，loss 照样正常下降，练完一合成才发现全是杂音。 ② 学习率，官方 README 也是错的。 README 写 2e-5，照着练=纯噪声。实际要用 2e-6（官方后来自己在 commit 里改了，但 README 没改）。社区被这个坑过的人排着队。 ③ 12G 显存跑 1.7B 全参，AdamW 必 OOM。冒烟测试只跑 3 步看到 7.6G 以为稳了，正式跑直接 17.5G 爆炸——优化器状态张量是第一步之后才创建的。换 Adafactor 才压到 7.2G。另外显存碎片会让速度悄悄劣化 4 倍，重启进程就好。 ④ 自己修 bug 的时候，把官方的 0.3 系数弄丢了。重构 loss 计算顺手写成了 codec_0_loss + sub_talker_loss，官方是 + 0.3 *。不报错、loss 正常、练完还能用——直到对照专业配方才发现，又重训了一版。重构代码后必须和原版逐行 diff 数值。 ⑤ ASR 验收会骗人。拿合成音频跑 ASR 对原文，只有 8/20 一致，差点以为训练失败。把原声也丢给 ASR 才发现：原声也被听成"小界""复试"——是 ASR 分不清同音词，不是模型念错。正确姿势是拿原声 ASR 结果当基线，模型和基线比。 ⑥ 模型把训练数据学得比我还彻底。为了教它停句，给每条音频末尾补了 1 秒静音——它学会了，每次输出结尾都带 1 秒静音；游戏配音里的呼吸声它也学会了，开口先叹气（v6 那声叹气还有点重影，被我耳朵抓包）。 ⑦ 欠训练的模型不会"闭嘴"。不会输出 EOS，就一直生成到上限：38 秒的音频里，后 29 秒全是静音。练到 5 轮以后自愈。 ⑧ 部署服务器的连环坑。服务器是块 2016 年的老卡 P104（Pascal 架构）。本地 50 系新显卡必须装最新的 CUDA 12.8 版 PyTorch（cu128），但 cu128 编译时只打包了新显卡的计算指令，老卡的指令集根本不在里面——模型能正常加载，一推理就报 no kernel image is available。只能给服务器单独装回还带老卡指令的 cu126 版 torch，推理精度也从 bf16 降级成 fp16（老卡不支持 bf16）。这还没完：pytorch 官方源直连慢到 15 秒下不完 30MB；换国内镜像用断点续传，把 wheel 文件拼接损坏了；最后发现这台机器的 rm 删文件居然进回收站，磁盘空间死活不释放。一句话总结微调 TTS 的成功率 = 数据质量 × bug 修复 × 学习率 × 验收方法，四个乘数任何一个为零，结果都是零——而且它不报错。

不人云亦云，坚持自己的立场，公平的看待每一次争议！杂种区UP主，年更鸽子UP主

顶部