TTS数据准备：从录音到训练的完整流程

数据决定上限

TTS模型效果好不好，80%取决于数据质量。

常见问题：

• 录音有底噪 → 合成出来有杂音
• 音量不稳定 → 合成忽大忽小
• 断句不自然 → 合成节奏奇怪

录音要求

硬件

录音参数

1
2
3

采样率: 48kHz（至少16kHz）
位深: 24-bit
格式: WAV（无损）

录音技巧

1. 距离：麦克风离嘴15-20cm
2. 音量：保持-12dB到-6dB之间
3. 状态：正常语速，自然呼吸
4. 时长：至少2小时（5-10小时效果更好）

数据清洗流程

graph LR
    A[原始音频] --> B[降噪]
    B --> C[音量标准化]
    C --> D[切分句子]
    D --> E[对齐文本]
    E --> F[质量检查]
    F --> G[训练数据]

1. 降噪

工具：Audacity（免费）、Adobe Podcast（在线）

1
2

# 使用ffmpeg + rnnoise降噪
ffmpeg -i input.wav -af "arnndn=m=rnnoise-models/bd.rnnn" output.wav

⚠️ 注意：过度降噪会导致声音失真，宁可保留少量底噪

2. 音量标准化

1
2

# 标准化到-16 LUFS
ffmpeg -i input.wav -af loudnorm=I=-16:TP=-1.5:LRA=11 output.wav

3. 切分句子

原则：一个音频片段 = 一句话（3-15秒）

工具：

• Whisper：自动转写+时间戳
• UVR：人声分离（去除背景音乐）

1
2
3
4

# 使用Whisper获取时间戳
import whisper
model = whisper.load_model("medium")
result = model.transcribe("audio.wav", word_timestamps=True)

4. 文本对齐

每个音频片段需要对应的文本标注：

1
2
3

audio_001.wav | 今天天气真不错。
audio_002.wav | 我们去公园散步吧。
audio_003.wav | 好的，等我换个衣服。

常见格式：

• LJSpeech格式：文件名|文本
• CSV格式：带时间戳

常见坑

坑1：录音环境不一致

同一批数据，有的在卧室录，有的在办公室录 → 合成效果不稳定

解决：固定一个录音环境

坑2：情绪变化大

开始精神饱满，后面疲惫无力 → 合成声音不稳定

解决：分多次录，每次1小时以内

坑3：文本标注错误

音频说"今天"，标注写"昨天" → 模型学混了

解决：用Whisper自动转写，人工校验

坑4：切分太碎

3个字一个片段 → 模型学不到完整语调

解决：保持5-15秒一个片段

数据量参考

推荐工具

下一步

数据准备好后，就可以开始训练了。下篇讲TTS模型微调。

有问题留言。