@IvenWang 感谢支持🥰

@ccc00 不是😋

@xiaoshouchen
对于背景音乐 人工使用 minimax 的音乐模型(类似 suno)生成的 现在这种音乐模型已经很成熟了
对于音效 cc/codex 有 agent 功能,让他自己上网搜 游戏 音效 免费 开源 他会自己爬下来 当时我给的提示词是"开个 subagent 找找有没有免费 sfx 音效网站 我要补齐一下音效 如果你能抓取的话那就自动帮我抓" 他找到了 Mixkit 这个网站写脚本自己爬的
对于素材 通常是简单的 css + 一些的 svg 矢量图,这种给个图片+需求给强多模态的 ai(比如 gemini 3.1pro 大概花个 8 分像) 而后面 codex 支持了 gpt image 2 就尝试使用了一下来绘制 png 图片作为一些游戏角色的皮肤使用

@iamnottsh 因为这相当于要整套重写前端 ui 代码了 不过你要是有精力的话可以考虑让 llm vibe 一个 Python Flet 版本的出来

@iamnottsh 那没有,做不了一点

漫画翻译有开源项目的 本地就能直接部署
https://github.com/MashiroSaber03/Saber-Translator
https://github.com/mayocream/koharu

@iamnottsh 为什么要有网页版.....pyside6+nuikta 编译后的性能比网页端好太多了

@yeqizhang
i 站哪有字幕下载....

@Hansah cosyvoice 最长大概 20s 左右吧 单句过长了会自动截断分成若干个任务,然后分开跑,当然你也可以自行截断(在文本编辑页面换行 然后丢到计划任务里面去), 程序在最后提供了 FFmpeg 一键合成音频的方式,此时从理论上来说无限长度 控制符可以看一下 23 楼的那个回答

@Hansah 那玩意阿里巴巴没开源😭只开源了 0.5b 参数量的版本

@MindMindMax 苹果大带宽的内存跑 ai 啥的还是挺香的😂

@shuxge1223 理论来说用精细控制模式可以做到 但我没咋用过这个精细控制模式
需要额外打标的,标签可以在 https://github.com/FunAudioLLM/CosyVoice/blob/a7d6e2251adb64f7cef595c5c71c5763cb1d162b/cosyvoice/tokenizer/tokenizer.py 里面找到,不过我目前就做了几个简单的打标快捷键,其他的 cosyvoice3 新增的暂时还没拉上来😂

@MindMindMax 我自己的显卡是 4070m(笔记本 当做 4060ti 8gb 版本就行了) rtf(Real-Time Factor ，实时因子)大致在 0.8~1.6(越低越好 说明推理数值越快 rtf 是 1 的话就说明显卡花 1s 的算力可以推理出 1s 的音频来) 纯靠 cpu 的话我用 q1hy(13900hk es)的 rtf 大概是 10,30s 时间能推理出 3s 的音频来

@Xhack 可以自行找一段 Moss 的 3s 到 10s 的无底噪的音频截取下来,来源可以是在 b 站搜一下[ [流浪地球①] MOSS/550W 语录/语音集 （自存）] 作为参考音频推理使用 现在的 tts 模型基本都支持了这种无训练方式复刻音色的功能了

@Frankcox 官方的暂时没有😂他只给了一个训练的 train.py 脚本,就是得自己改代码了

@Bantes 仁者见仁智者见智 可能是你对 tts 不感兴趣吧

@Frankcox 不知道 建议问问别人 gptsovits 没咋用过

@noming 零样本复刻模式/修复模式下必须要填参考文本+参考音频(参考文本一定得是参考音频的完整文字部分) 指令模式/精细控制下必须要填参考音频

@noming 不用找额外的示例文件 只需要使用指令模式 然后在后面的指令文本框里面输入使用方言(四川话 粤语 东北话之类的)就能输出方言了