[BUG] 1.0版本仍有非常严重的缺字问题
aixiaodewugege opened this issue · comments
input text
作者使用了LPIPS等指标来评估渲染图像的质量。其中，PSNR用于量化像素颜色误差，SSIM用于衡量渲染图像与真实图像的感知相似性，而LPIPS则用于衡量更高层次的感知相似性。
吞字母是么, 目前得在英文字母旁边手动加入空格, 不然有概率吞. 未来会在数据上优化.
好的，请问fishspeech demo网站用的哪个模型？感觉效果更好一些
用的 medium sft
@leng-yue 感谢，还想请教一下，如果我要用1小时的数据微调的话，是在pretrain还是sft基础上？
此外，我发现在没有英文的情况下也存在比较严重的吞字问题。。
text：目前，英特尔已经与 150 多家产业伙伴，推出以数据为中心的软、硬一体解决方案，为零售、工业、交通、金融、医疗、能源、教育等众多垂直领域，基于行业需求，从云到端布局算力产品组合。因此完整产业链的建立，对英特尔和其合作伙伴业务的开展至关重要。在设计生产产品的时候，英特尔不光要向这些产业伙伴提供处理器和芯片组，往往还要提供许多其他外设，比如机械转轴、电源管理、摄像头模组、音频解决方案等。“英特尔除了核心的处理器技术需要对他们沟通支持之外，我们还要在这些方面对他们进行一些全方位的技术支持。我们把这些客户称为 CTE（生态链合作伙伴）客户”宗晔说到。
微调是在 sft 基础上. 我测了几次这个文本, 只有 150 这里漏了. 能否提供下详细的推理参数?
我使用的是默认参数,在 huggingface demo page 上推理的
结果如下：
https://github.com/aixiaodewugege/temp/blob/main/audio1.wav
感觉是概率问题, 我重新生成没有丢失 英特尔除了核心的处理器技术需要对他们沟通支持之外. 看看后面 dpo 能否改善.
ok，还想请教下，finetune的时候 gan和llama有先后顺序吗？
没有
微调的llama微调时候，不是要用 用gan提取语义 token吗？如果这俩都想微调的话，是不是要用微调之后的gan来提取？
不用, 微调会锁定 encoder 部分