[BUG]克隆声音效果很不好

[lonngxiang]

用的docker部署，

docker run -it --gpus all -v /ai/fish-speech/checkpoints:/exp/checkpoints  -p 7899:7860 -p 8022:8000 lengyue233/fish-speech bas

python -m tools.api --listen 0.0.0.0:8000 --llama-checkpoint-path "checkpoints/fish-speech-1.2" --decoder-checkpoint-path "checkpoints/fish-speech-1.2/firefly-gan-vq-fsq-4x1024-42hz-generator.pth" --decoder-config-name firefly_gan_vq

请求案例：

import requests
import io

def generate_speech(text, output_file="output.wav"):
    url = "http://192.168.2.238:8022/v1/invoke"  # 替换为实际的API地址
    
    payload = {
        "text": text,
        "format": "wav",
        "streaming": False,
        "reference_audio": "checkpoints/aa.wav",
        "reference_text": "你说的对, 但是原神是一款由米哈游自主研发的开放世界手游.",

    }
    
    response = requests.post(url, json=payload)
    
    if response.status_code == 200:
        with open(output_file, "wb") as f:
            f.write(response.content)
        print(f"音频已保存到 {output_file}")
    else:
        print(f"请求失败，状态码：{response.status_code}")
        print(response.text)

# 使用示例
text_to_speak = "这组池塘生物的摄影作品由本迪克特·普莱尔在德国巴伐利亚的基希贝格拍摄。作品中展示了多种微小的水生生物，包括水螅、团藻、水蚤、螺旋虫和合尾藻等。这些生物在自然环境中通常难以被肉眼观察到，但通过暗视野技术和高倍率的物镜放大，它们被清晰地捕捉并呈现出来。"

generate_speech(text_to_speak)

生成的结果，短的是残酷音频，output.wav是生成结果，效果非常不好
output.zip

[lonngxiang]

还有个缺陷，请求参考音频文件只能和服务器一个地址下才可以正常推理

[PoTaTo-Mika]

请参照文档中的内容运行项目，我们不保证按照其它步骤操作能够得到与样例一致的效果。

[lonngxiang]

我是参考文档运行的这个api 服务

[leng-yue]

我们最近几天会放出 sft 模型, 以及一些自动 rerank 的算法