一、上传前必跑的六项

音频的问题和图片不一样：图片看一眼就知道坏没坏，音频必须算。六项检查覆盖了绝大多数事故：

二、处与段：又是两个口径

Demo 里 40 段查出 16 处，但只落在 12 段上。因为一段可能同时踩两个毛病。 报数的时候要说清是哪一个： 「16 处」说的是数据集有多脏，「12 段」说的是我要处理多少个文件。这两个数在排工时的时候差得远。 注意「时长过短」那 4 段没有被算进「要返工」里—— 它不是不能修，是修不了：1.2 秒的片段补不出后面的话。只能删掉或者重录。 所以质检输出最好分三档： 能自动修的（采样率、声道、直流、静音）、必须人工的（削波、过短）、直接删的（空文件、 纯噪声）。分好档，返工才不会乱。

三、训练的四个参数

素材传上去之后，通常只有四个参数可调：轮数、batch、学习率、以及「留多少做验证」。 轮数：音色模型一般 10 到 30 轮。 少了音色不像，多了会把素材背下来（表现为「只会念素材里的句子，换一句就崩」）。 batch：显存够就大一点，训练更稳。 但它和轮数是联动的——batch 翻倍，同样轮数下步数减半，等效训练量变小。 学习率：默认值通常就能用。 要改的话先改轮数，别先动学习率——学习率出问题的表现是「训崩」，轮数出问题的表现是「不够像」， 后者更好判断。 验证集：留 10% 不参与训练，用它听效果。 这一步很多人省掉，结果就是「训练集听着完美，换个句子全崩」——那就是过拟合， 而你没有验证集就发现不了。

四、训完之后怎么判断好坏

平台会给一个 loss 曲线。 但声音这件事，loss 低不等于好听。loss 只保证「重建得像素材」，不保证「换句话也自然」。 所以验收要靠听，而且要用训练集里没有的句子去听。四句话就能听出大部分问题： ① 一句常用语（听音色像不像）；② 一句长句（听尾音散不散）； ③ 一句带数字和英文的（听会不会卡住）；④ 一句带情绪的（听语调有没有起伏）。 四句里有一句明显不对， 就回去看数据——八成是某几段素材的采样率或音量不一致，模型在「两个音色」之间摇摆。

五、动手 Demo：音频质检：40 段查出 16 处，12 段要返工

用 numpy 造 40 段「嗓音」写成 wav，故意混进六类问题：采样率 22050 混在 44100 里、时长 1.2 秒、 整段静音、峰值削波、直流偏置、双声道。 逐段读文件头和波形，算 RMS、峰值、削波比例、直流分量， 统计每类问题的段数并分离出「必须返工」的那一批。

with wave.open(p, "rb") as w:
    ch, sr, nf = w.getnchannels(), w.getframerate(), w.getnframes()
    raw = w.readframes(nf)
x = np.frombuffer(raw, dtype="<i2").astype(np.float32) / 32768.0

rms = float(np.sqrt(np.mean(x ** 2)))
clip = float(np.mean(np.abs(x) > 0.99))
dc = float(np.mean(x))
sec = nf / float(sr)

if sr != 44100:   tags.append(u"采样率不统一")
if ch != 1:       tags.append(u"双声道")
if sec < 3.0:     tags.append(u"时长过短")
if rms < 1e-3:    tags.append(u"整段静音")
if clip > 0.01:   tags.append(u"削波")
if abs(dc) > 0.05: tags.append(u"直流偏置")

实跑输出：

--------------------------------------------------------------------
音频质检：40 段查出 16 处，12 段要返工
--------------------------------------------------------------------
  音频段数                 40 段
  总时长                   2.5 分钟
  问题类型       段数
  ------------------
  采样率不统一      4
  时长过短          4
  削波              2
  整段静音          2
  直流偏置          2
  双声道            2
  要返工的段               12 段（30%）

  一共 **16 处**毛病，落在 **12 段**上——**又是「处」和「张」两个口径。**
  「采样率不统一」是**最容易被忽略**的一类：文件都能播。
  但训练脚本按 44.1 kHz 读，22050 的那四段会被当成「慢半拍」。
  「削波」看的是超过 0.99 的采样点比例。**波形削平了就是信息丢了，补不回来**——只能重录或调低音量。
  「直流偏置」听不出来，但会让波形整体偏离零点，
  **特征是开头有一声闷响。** 减掉均值就能修。
  「整段静音」两段是故意的：真实素材里常有人把「没说话的时间」也导进来了。
  所以上传前该跑的检查就六项：
  **采样率、声道、时长、RMS、削波比例、直流偏置。**
  二十行代码，跑一遍不到两秒。

done -> _out_39l.txt

表里六行很整齐：采样率不统一 4、时长过短 4，其余四项各 2。这是造数据时埋的， 不是真实分布——真素材里「采样率不统一」通常最多。 第二行是「要返工的段」：12 段（30%）。注意它把「时长过短」排除了， 因为 1.2 秒的片段修不出来，只能删。 「削波」判据是 |x| > 0.99 的采样点占比超过 1%。 这个阈值不能定成「等于 1.0」——浮点转 int16 时 0.999 也会被截到 32767，用等号会漏一半。 「直流偏置」这一项最容易被忽略：它听起来「没什么不对」，但每次起音会有一声闷响， 而且会让训练时的归一化偏掉。 说明：这 40 段是我用正弦加噪声造的，不是真人声。但判据全是真判——采样率、声道、时长读文件头； RMS、削波、直流算波形。换成真素材，代码一行不用改。

30 秒实验

1. 把时长阈值从 3 秒改成 5 秒，看「时长过短」涨到几段。 阈值越严，要重录的越多——所以这个数要和录音成本一起定。
2. 把削波阈值从 0.99 改成 0.9，看那行涨到几段。 0.9 会开始误伤正常的高音量素材——阈值只能贴着 1.0 定。
3. 给「整段静音」那两段加上 -60 dBFS 的底噪，再看检查结果。 它们会从「静音」变成「通过」——但依然没有训练价值。

常见误区

1. 「文件能播就行」。采样率不统一、直流偏置这些问题，播放器会自动纠正，训练脚本不会。
2. 「削波调一下增益就好」。削掉的波峰补不回来，只能重录或降音量重录。
3. 「不留验证集，看 loss 就行」。loss 低只说明「重建得像素材」，不说明换句话也自然。

模型训完，接下来是玩它：让克隆出来的声音去唱歌。 而这一步的第一个问题不是技术，是音高能不能对上。

• ☐ （本节完，下一节 8.2.1 克隆声音唱歌）

相关笔记

• 设置模型的详细信息
• 准备与整理训练数据集
• 克隆声音唱歌
• 🧠 AI训练师手册2 · 索引