Update README.md

README.md

@@ -52,11 +52,29 @@ V1原版分支的好处在于，相比于768分支，具有更好的抗杂音抗
 
 ***
 
-# 第五次实验简要记录（进行中）  
+# 第五次实验简要记录 
 ### 实验目标：  
 70%情况下，在入门级发烧HiFi设备下无法识别出与人类声音的区别    
 ### 实验综述：  
 2023年5月19日，公开用于第五代模型的数据集（取消噪音干涉）  
 数据集来源：番剧1-12集（有小概率混合了其他角色的台词，请见谅，本人也是尽可能筛掉，但不保证没有，几乎不影响使用）、广播剧1-6集   
+主要so-vits模型：采用768分支，在新底模型的基础上，炼制了两个不同版本，一个是21600Step的特殊“加料”版本（Chtholly_V5Sp）（添加了小部分重复推理的高音音频、多语种音频进行套娃式炼制，目的是追求音域适应性），一个是80800Step的通用版本（Chtholly_V5Co）（完全纯净的珂朵莉干声，去除了所有带有可分辨的底噪和电音的数据音频，目的是追求声线相似性）。   
+使用通用版第五代模型推理的音频已达到99.9%音频相似度。  
+![in1](https://huggingface.co/overload7015/So-Vits-SukaSuka-Chtholly/blob/main/%E5%A3%B0%E7%BA%B9%E7%9B%B8%E4%BC%BC%E5%BA%A6.png)  
+在某些特殊情况下（如干声中存在海豚音和过高音），使用特殊版本可以获得更好的推理效果。  
+而语音变声和普通的音声推理，使用通用版本即可。  
+聚类模型（标有kmeans的文件）：用于提升音色相似度，但是会降低咬字清晰度。一般0.1-0.6之间均可，常用值0.1、0.2，仓库方推荐值0.5。  
+浅扩散模型（以.yaml作为后缀的配置文件和标有model的文件）：用于歌声推理，可以一定程度上去除底噪和电音，目前使用52000Step版本下，可用值30-600均有可能。如果是推理TTS出来的纯语音，不建议开启浅扩散模型，因为根本没有底噪，所以开了也没有用处，反而会有小概率推理出来更离谱的鬼音。  
+
+*建议推理参数：（在使用sovits进行TTS音频变声时）打开F0预测；变调[-3,6]；F0均值滤波值域[0,0.9]、编码器Crepe；NSF-HIFIGAN增强器高音域适应值域[0,12]（影响不如直接变调大）。*   
+**注意：**
+- 两个版本的模型在推理时最好打开NSF_HIFIGAN。  
+- 尽量使用通用版本，如果效果还是差强人意，再使用特殊版本。  
+- 后缀标记有“compressed”的模型是经过了体积压缩的模型，并不影响推理效果，但是无法再继续训练。  
+
+
+
 ### 实验结论：  
-- 第四次实验的噪音其实可以通过控制数据集来达到同样效果，故而本次实验删除噪音  
+- 第四次实验的噪音其实可以通过控制数据集来达到同样效果，故而本次实验删除噪音  
+- 70%情况下，在入门级发烧HiFi设备下无法识别出与人类声音的区别（√）    
+- 在添加了多语种音频后，模型会更快地失衡。因此，不要训练太多步。