请问如何提升复制音色的相似度

[linweijiang]

场景：类似3秒极速复刻的功能，提供一段自定义的音频，提取音频对应的音色Embedding pt文件，用以自定义音色选择的场景

问题：通过 frontend.py 中 _extract_spk_embedding 方法获取的音色Embedding，来生成音频的时候，发现生成的声音 跟 原始提供的音频声音有比较大的差异，听起来不像是同个音色的，声音变得尖锐很多，比较偏向女性。

想请问下有没有办法可以优化这个问题呢？谢谢

def _extract_spk_embedding(self, speech):
        feat = kaldi.fbank(speech,
                           num_mel_bins=80,
                           dither=0,
                           sample_frequency=16000)
        feat = feat - feat.mean(dim=0, keepdim=True)
        embedding = self.campplus_session.run(None,
                                              {self.campplus_session.get_inputs()[0].name: feat.unsqueeze(dim=0).cpu().numpy()})[0].flatten().tolist()
        embedding = torch.tensor([embedding]).to(self.device)
        return embedding

[linweijiang]

模拟3s极速复刻的接口，音频+文本即可