怎么生成32bit的音频？还有怎么取消生成？

[drawgamer]

"max_wav_value": 32768.0,
"sampling_rate": 22050,

查看json配置文件里可以知道训练时候是用32位的频率，生成的时候输出成16位会降低音质吧？我看MOEGOE生成的音频就是32位的音质很高，当然必须用支持32位的播放器播放才能听出区别。

另外用CPU生成很慢，但是想取消生成直接生成新的，要怎么做到？

[drawgamer]

@Artrajz 之前我用MOEGOE的时候就发现MOEGOE生成的32位音频音质更高，但是GUI里播放不支持32位音频所以音质空洞，在浏览器里播放就音质饱满。vits-simple-api生成的音频只有16位而且貌似不能自定义？但训练配置里显示是32位音频训练，音质可能不如MOEGOE生成的音频？

另外，CPU生成很慢，我之前自己开发了MOEGOE的网络API，但是直接调用EXE的所以不能取消生成，导致不能SKIP，比如一个游戏有多个聊天对话，如果能取消生成，那么我可以批量预生成之后的对话语音，而不用担心中途有玩家发的新的对话导致卡在等待预生成完毕。

[drawgamer]

问了CHATGPT说"max_wav_value": 32768.0 指的是 16-bit PCM 音频的最大振幅，因为 16-bit 有范围 -32768 ~ 32767。看来是我误解了，但是仍然不排除MOEGOE生成的32位音频比16位音频音质更高的可能性，所以最好能自定义。

[drawgamer]

CHATGPT回答看来是的：
现代 TTS/声码器模型内部通常是 float32，即使训练数据是 16-bit，模型内部仍然可以用浮点计算产生比 16-bit 更平滑的波形。

如果直接生成 16-bit WAV，会有一次量化误差；生成 32-bit WAV 可以保留浮点精度，尤其在后期处理或混音时优势明显。

[Artrajz]

一般默认都是int16，你也可以自行修改，以wav格式为例

vits-simple-api/manager/TTSManager.py

Line 78 in 0823f34

sf.write(f, audio, sampling_rate, format="wav")

修改为

sf.write(f, audio, sampling_rate, format="wav", subtype="PCM_32")

[Artrajz]

不支持取消生成，建议你把长段文本自行切分成小段，分别请求

[drawgamer]

不支持取消生成，建议你把长段文本自行切分成小段，分别请求

我现在测试了下，发现原来这个支持并行同时生成，所以尽管之前的生成还没取消，但是不影响之后的生成，因为我之后生成你好可以快速生成出来，但是理论上来说，我断开fetch连接时就可以取消生成了，因为就算生成完也已经回传不了了没有意义。我测试生成长文然后F5刷新网页，但CPU仍然占用一段时间。

[drawgamer]

一般默认都是int16，你也可以自行修改，以wav格式为例

vits-simple-api/manager/TTSManager.py

Line 78 in 0823f34
sf.write(f, audio, sampling_rate, format="wav")

修改为

sf.write(f, audio, sampling_rate, format="wav", subtype="PCM_32")

不支持取消生成，建议你把长段文本自行切分成小段，分别请求

至于生成32位音频和16位音频的音质差异，要想测试出来可以同时生成同一个音频的32位和16位版本就能比较出来，而MOEGOE生成的32位音频在GUI里不支持32位的播放函数播放和浏览器里支持32位的播放音质明显不同。