底模训练问题

[bfloat16]

如果要自己训练底模

1.数据集是不是最好要做到音域覆盖广，语言类型多，语气语调丰富，男女都要有这类的？

2.训练参数有没有要求（比如batchsize，lr等等 训练是直接将几个开源数据集混合走单人流程训练还是区分speaker走多人流程？

3.评价底模质量是看训练时长，步数，epoch还是看loss值？

主要是想知道diffsvc，sovits这些项目底模的通用训练方法

[leng-yue]

1. 是的
2. 参数需要自己摸索, 不过一般默认的就行. 需要分多 speaker.
3. 声码器可以一定程度参考 loss, 更多的还是看听感. 目前没有一个和人类听感绝对对齐的 loss.

[bfloat16]

好的，我去试试看