ai 变声-思考

还有专门提供的： https://huggingface.co/datasets/shunyalabs/chinese-mandarin-speech-dataset

1. 思而不学则殆，Voice Conversion 已经是个很成熟的技术了
2. 核心是声学特征，不是数据集，比如梅尔频谱、F0 、频谱包络等。
3. 不用那么长时间，Zero-shot 可以做到 10 秒了。就算是追求高真实度，也是更加注重精细声学、声码器，以及解耦和扩散模型上。
4. 你说的采集场景和应用场景已经被玩烂了，so-vits-svc 就是因为涉及到法律问题才主动 archived 的。