[BUG:WebUI] 生成的spk和参考音频不符

[tuxiaoseng]

确认清单

• [X] 我已经阅读过 README.md 和 dependencies.md 文件
• [X] 我已经确认之前没有 issue 或 discussion 涉及此 BUG
• [X] 我已经确认问题发生在最新代码或稳定版本中

Forge Commit 或者 Tag

26d9b0edcf15b074d36c31a0f226769b60a26676

Python 版本

3.10.8

PyTorch 版本

2.3.1

操作系统信息

linux

浏览器信息

No response

BUG 描述

tiandao.spkv1.json 带有参考音频的spk测试声音发现胡言论语，音色不匹配 text：chat T T S 是一款强大的对话式文本转语音模型。它有中英混读和多说话人的能力。 参考音频：

https://github.com/user-attachments/assets/66edace5-edea-4d7d-817c-d2dde65db892

复现步骤

期望结果

正常

实际结果

异常

错误信息

No response

[zhzLuke96]

感谢反馈

这个问题有点复杂

• 一个是你创建的这个 spk 文件有点不太对，里面解析的数据有点问题，音频数据和采样率不匹配
• 另一个问题是 ChatTTS 模型的问题，ref text 需要有 eos，不然模型推理的时候容易有问题。简单说就是参考文本句尾最好是 "。" 句号。

建议 首先，你看看你本地的 gradio 版本是否是最新的，尝试更新一下gradio版本 其次，我给你修复了一个 spk 文件，你可以参考这个再调试下看看 tmpjd0wdkxi.spkv1.json

如果还有问题的话继续提供信息，这一块代码刚加，测试还不太完善

[tuxiaoseng]

楼上给我的修复spk确实没有问题了，gradio升级到最新的4.41，使用了带句号的参考文本，在webui下新建spk还是有这样的问题，版本用的是8月11日更新后的

[zhzLuke96]

还需要更多信息，不好定位是什么问题

taindao_0001.mp4 这个文件应该是转码过的吧？源文件是 mp3/wav/flac 之类的？ 可以提供一份你用来创建的spk的音频源文件吗？我怀疑有可能是处理不同音频文件的时候有什么bug，得有你的原文件才好排查

[zhzLuke96]

可能相关 https://github.com/2noise/ChatTTS/issues/648

[zhzLuke96]

fixed 1047efad4192b949e25cfb7f8a8bb88282a79518

应该在这个 commit 修复了