[2noise/ChatTTS]流式生成语音会有杂音

这个问题一直存在，我最近看了下代码，大概率是由于vocos声码器产生音频数据后，流式切分导致的：

根因在于，流式产生的wavs，每次都是从头开始的全量音频。除了每次循环新产生的音频数据，前面的音频数据也会变化。如果按当前的方式机械切割，会造成每个chunk拼接处不连续，在频谱上表现为一条明显的全频竖线，听感上有明显节奏噪音。

我看了https://github.com/fengyizhu/ChatTTS的方案，是在静音处切分，结果就好很多，基本去除了拼接引起的噪声。

@fumiama 看看有没有更好的解决方案

这个问题一直存在，我最近看了下代码，大概率是由于vocos声码器产生音频数据后，流式切分导致的：

根因在于，流式产生的wavs，每次都是从头开始的全量音频。除了每次循环新产生的音频数据，前面的音频数据也会变化。如果按当前的方式机械切割，会造成每个chunk拼接处不连续，在频谱上表现为一条明显的全频竖线，听感上有明显节奏噪音。

我看了https://github.com/fengyizhu/ChatTTS的方案，是在静音处切分，结果就好很多，基本去除了拼接引起的噪声。

@fumiama 看看有没有更好的解决方案

看了下gpt-sovits的流式实现方案，他是直接把文本按标点拆分，然后再流式返回，这样首包就会很快，我用这种方式改造了下fish-speech，效果还不错

这个问题一直存在，我最近看了下代码，大概率是由于vocos声码器产生音频数据后，流式切分导致的：

根因在于，流式产生的wavs，每次都是从头开始的全量音频。除了每次循环新产生的音频数据，前面的音频数据也会变化。如果按当前的方式机械切割，会造成每个chunk拼接处不连续，在频谱上表现为一条明显的全频竖线，听感上有明显节奏噪音。 我看了https://github.com/fengyizhu/ChatTTS的方案，是在静音处切分，结果就好很多，基本去除了拼接引起的噪声。 @fumiama 看看有没有更好的解决方案

看了下gpt-sovits的流式实现方案，他是直接把文本按标点拆分，然后再流式返回，这样首包就会很快，我用这种方式改造了下fish-speech，效果还不错

我看了chattts，也是有这个功能的，不过拆分的标点不包含逗号，所以一般是拆到一句话级别。这个有点不可控，有时候一句话很长。但是拆了句子，其实会影响TTS的输出效果的（模型不能很好地捕捉前后长程的关联关系）