VOICE / RVC

30 秒到 4.8 秒:声音的时延

语音不是音频文件。它要和头部追踪、情绪、呼吸、下一句话同时发生。

第一版 RVC 语音单句要 30 秒。那不是对话,是寄一封有声信。

后来通过缓存“嗯”、切短句、CPU 推理优化,延迟压到 4.8 秒;V7 再接 HRTF 与头部追踪,声音有了方向。仍然慢,但已经能维持一轮对话的节奏。

为什么不用云端 TTS

云端更快,但断网就不存在。语音是身体的一部分,不能按次计费。

还差什么

实时性还不够,情感韵律仍靠参数,非 ASCII 路径曾让 faiss 找不到声库。这些是下一步,不是已经解决的细节。

2026 / 11 / ADLP NOTES

← 返回日志