反馈一个问题：边界幽灵。每一代音频都以一个毫秒级的、从未被说过的词的片段开始，就像“某事”或“第一”的尾音在开头就能听到一样，仿佛音频片段是从句子中间开始的。我猜测降噪器在 t=0 时没有左侧上下文，并用想象中的声音衰减填充了边缘，而音频 VAE 的边缘填充可能加剧了这种情况。即使提示音要求干净地开始，也无法解决所有种子点的问题。我在后期处理中剪掉了每个片段开头 50 到 200 毫秒，交叉淡入淡出效果可以覆盖掉这些片段。 https://github.com/user-attachments/assets/b0cc3f45-f936-4c37-97e5-8e841e193de4
反馈一个问题：边界幽灵。每一代音频都以一个毫秒级的、从未被说过的词的片段开始，就像“某事”或“第一”的尾音在开头就能听到一样，仿佛音频片段是从句子中间开始的。我猜测降噪器在 t=0 时没有左侧上下文，并用想象中的声音衰减填充了边缘，而音频 VAE 的边缘填充可能加剧了这种情况。即使提示音要求干净地开始，也无法解决所有种子点的问题。我在后期处理中剪掉了每个片段开头 50 到 200 毫秒，交叉淡入淡出效果可以覆盖掉这些片段。
MiniMax_H3.mp4