0. 说明
把 LJSpeech 的作为 reference, 以及 DataBaker EN, 还有 VCTK 的
- 首先仍然用 55k 的那个 ckpt
- 其他的设置参看张阳的 Speaker Embedding 版本: https://blog.csdn.net/u013625492/article/details/114656320
1. 选取 Reference Speech
1.1. 选取音频
- 前 6 个是标贝双语, 分别是 2 个中, 2 个英, 2 个混合
- 然后两个是 LJSpeech
- 最后四个来源于 VCTK
- 注意, 采样率有的是 16k, 有的是 48k
1.2. 使用 GE2E Encoder 提取 Speaker Embedding
逻辑在: /ceph/home/hujk17/Tuned-GE2E-EarSpeech/FaPig_GE2E_Cross_synthesizer.py