一、定制素材自检项
声音复刻需提交一段100句文本的音频，提交前请务必逐条检查以下自检项：
1. 无复刻人外的其他人声录入。
2. 音频收音音量适中，无明显混响、底噪，及其他噪声。
3. 使用中文，普通话录制；文本有一定丰富性，不能存在大量的语句重复。
音频格式要求：
1. 所有音频需转化为 wav 格式，并压缩成 zip 包提交。
2. 直接选中所有音频文件直接压缩为 zip 包（不可新建文件夹后压缩），压缩包不超过1G。
3. 每条音频采样率须是24K及以上，单条音频长度不超过1小时。
4. 音频命名无空格或者特殊字符。
二、音频录制指引（视频版）
三、音频录制指引（文字版）
录制内容
按停顿-读-停顿的循环过程，依次朗读100句文本并生成音频。
录制文本：可自行选择自己领域熟悉的文本，也可参照附件参考文本，语句越多训练效果越好。
文本要求：中文汉字文本；单句子最长不超过50字，平均句子控制在20字左右。
音频个数：可一整段或分为几段音频均可，最多不超过10个。
音频格式：录制时推荐无损 WAV 格式（具体格式不限制），不低于24k采样率。
注意事项
环境要安静无杂音，建议麦克风有防风罩且与嘴的距离在10cm内，音量保持适中；
尽量避免在光滑墙面、地板房间录制，如大面积玻璃墙面或大理石地板房间，以避免引入混响；
提前熟悉朗读文本，避免录制断断续续；
注意尽量不要喷麦；
每个句子结束自然停顿；句子中按照文本正常表达进行自然停顿；
按照本身说话的风格，有韵律的朗读；
吐字清晰，保证台词读音正确；
除了讲话之外，不要做其余动作，避免多余声音（如衣服摩擦等声音、吞咽声）。
注意：
定制音频的效果和原视音频的质量息息相关，若音频质量好，最终的声音复刻效果也越好；音频质量差，最终定制效果也会差。
如：原音频中包含噪声，最终定制的效果也将包含噪声。
四、典型问题
爆音
避免出现爆音，通常离麦克风过近，麦克风没有防喷麦海绵，或录音语音音量过大会出现爆音。
抿嘴音，口水音、喘息及喷麦声
避免录音过程中过多闭口张口或吞咽导致的抿嘴音、口水音减少较明显的喘息声，喷麦声。
噪声及混响
避免麦克风离嘴部过远，避免在有明显背景噪声的环境录音，如有其他背景人声，空调声，背景音乐等；避免引入混响，通常在较多玻璃光滑墙壁房间会有较强混响。
频谱缺失
避免采用自带增强或降噪等处理模块的录音软件，避免导致对原始语音的损伤及频谱频段缺失的录音软件，避免导致对原始语音的损伤及频谱频段缺失。
五、音质检测接口指标说明
信噪比：音频中有用信号能量与噪声能量的比值，越大越好，该指标大于等于25可认为合格。
信噪比不达标的原因：
可能是由于录制环境的噪声比较大，可换个更安静的环境进行录制；
可能是由于嘴巴离麦克风太远，导致有用信号能量不够，可适当调整麦克风与嘴巴的距离，以10cm的距离为宜。（距离过近容易导致喷麦或者截幅)
混响指数：音频中有用信号能量与回声能量的比值，越大越好，该指标大于等于30可认为合格。
混响指数不达标的原因：
可能是录制环境不佳产生了回声，大的空间、硬质的墙面容易产生回声，尽量选择空间较小、软包较多地方进行录制，例如卧室、车内等。
截幅：截幅表示部分音频的幅值超过了最大允许范围，通俗来说就是音频的音量过大了；该指标小于等于10可认为合格。
截幅不达标的原因：
一般是由于录制时嘴巴离麦克风过近，可适当调整麦克风与嘴巴的距离，以10cm的距离为宜；
也可能是录制软件的音量设置过大造成的，可以通过调整录制软件的音量来解决。
截幅不达标的音频的波形图示意：
截幅达标的音频的波形图示意：
部分音频示例：
附件中罗列了“高质量音频”、“混响不达标”、“信噪比不达标”、“信噪比和混响均不达标”、“音频存在截幅”的示意音频，供下载试听。
音频示例.zip(1.1MB)
