原版音频中的语气、停顿、“嗯啊”之类的都在。那个try try太搞笑了。

但从这个“try，try”上看，又不像用的原音频了。

翻译模型怎么会把试试翻译成try try 呢？这个像故意搞笑了。难道为了搞笑，故意设参数降低了模型的能力？～～

效果最惊艳的还是，这段音频不止迁移的声调，还迁移了语气，这是怎么做到的？

又看一遍，明白点了。这个语料输入的文本，和原音频一起生成的英文版语音。不然“耗子尾汁”是不可能出那个翻译的～～

网上还有“windows开关机”、“诺基亚铃声”、“新闻联播”等版本的。迁移效果不如这个语音的，是不是因为迁移风格的两段音频的差距太大了？差距越大效果越打折，就像cyclegan那样？

又或者，这些迁移是认为设置了部分迁移特征，而不是用的gan

比如提取开关机音乐的高频特征与语音的中频特征融合在一起，是不是生成的音频就具有音乐的旋律和语音效果了？～～