第一版 RVC 语音的等待是 30 秒,长到不像对话。到 v5.2,这个数字被压到 4.8 秒:链路是文本 → edge-tts 中文女声 → RVC 白子声线 → wav,同一版前后还在处理引擎资产没下完、faiss 不认中文路径、声库首载失败这些工程问题。
30 秒和 4.8 秒都不全是模型推理。交付记录里,RVC 引擎资产没下完,faiss 不认“工作区2/白子RVC”这种非 ASCII 路径,要先把声库复制到纯 ASCII 的临时目录。首载、引擎初始化、路径失败后的重试,会把等待放大到几十秒。手头的交付记录没有把 30 秒逐项拆账,能确认的是这些环节都在同一版前后被处理。
4.8 秒仍然慢。CPU 上单句还要 3–6 秒;v7.0β2 把默认声线换回白子、接上 CUDA 后,单句 0.34–0.48 秒,先应一声“嗯。”约 0.3 秒,正文随后到。缓存应答是排程与工程手段,它覆盖了首句延迟,没有消除延迟;音质的人耳验收也还没做。
声音的下一层是方向。v8 让每句 TTS 经过 HRTF PannerNode 与约 17% 的房间湿声,头部姿态以 30 Hz 送进 listener;你转头时,声源留在房间里。空间化与低延迟是两张账:一张管声音从哪来,一张管声音多久到。4.8 秒离自然对话仍有距离,实时性还没有还清。
先应一声,再说话;这是权宜,也是诚实。
2026-11-19 / ADLP NOTES
← 返回日志