[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-zhenye234--LLaSA_training":3,"tool-zhenye234--LLaSA_training":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":75,"owner_website":81,"owner_url":82,"languages":83,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":96,"env_os":97,"env_gpu":98,"env_ram":99,"env_deps":100,"category_tags":106,"github_topics":107,"view_count":111,"oss_zip_url":81,"oss_zip_packed_at":81,"status":16,"created_at":112,"updated_at":113,"faqs":114,"releases":145},110,"zhenye234\u002FLLaSA_training","LLaSA_training","LLaSA: Scaling Train-time and Inference-time Compute for LLaMA-based Speech Synthesis","LLaSA_training 是一个基于 LLaMA 架构的语音合成训练框架，旨在扩展训练和推理阶段的计算能力，实现高质量语音生成。它解决了传统模型在大规模数据下的训练效率及多语言支持难题，支持高达 25 万小时的语音数据训练，其中包含约 16 万小时的开源数据。\n\nLLaSA_training 非常适合 AI 研究人员和开发者，尤其是希望探索大语言模型与语音技术结合的技术团队。其核心亮点在于统一了文本与语音的 tokenizer：文本由 Llama 文本 tokenizer 编码，语音通过 X-codec2 提取，并通过偏移语音 token 值构建统一词表，从而简化了多模态处理流程。目前项目已开源 1B 多语言模型，支持中、英、日、韩等语言，并提供微调指令及 GRPO 强化学习脚本。用户可直接在 Hugging Face 上获取模型与数据，快速开展实验或部署应用。此外，社区已基于 LLaSA_training 实现了多角色语音生成等进阶功能，展现了良好的扩展性。","[![arXiv](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-Paper-\u003CCOLOR>.svg)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2502.04128)\n\n\n## Directly used on Hugging Face\n\n**Codec**: [xcodec2](https:\u002F\u002Fhuggingface.co\u002FHKUST-Audio\u002Fxcodec2)  \n \n\n\n**TTS inference: Llasa-collections**: [Llasa-collections](https:\u002F\u002Fhuggingface.co\u002Fcollections\u002FHKUSTAudio\u002Fllasa-679b87dbd06ac556cc0e0f44)\n\n\n\n**Update (2025-06-09):** Add Llasa finetune instruction.\nAwesome work based on Llasa\n- [LLaSa GRPO tuning](https:\u002F\u002Fgithub.com\u002Fchannel-io\u002Fch-tts-llasa-rl-grpo) : Special thanks to [Seungyoun Shin](https:\u002F\u002Fgithub.com\u002FSeungyounShin) from [Channel Corp.](https:\u002F\u002Fchannel.io\u002Fen) for sharing the Llasa GRPO RL-tuning script based on Verl.\nYou can try the finetuning results here:\n- [LLaSA 1B Multi-Speakers (Genshin-zh-en-ja-ko)](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FHKUST-Audio\u002FLlasa-1B-multi-speakers-genshin-zh-en-ja-ko)\n- [LLaSA 1B Finetuned for Two Speakers](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FHKUST-Audio\u002FLlasa-1B-finetuned-for-two-speakers)\n\n\n**Update (2025-02-07):** Our paper has been released! Llasa 1b Multilingual version released!\n\n## Training\n```bash\ntorchrun --nproc_per_node=8 train_tts.py config.json \n```\n\nor \n\n```bash\nsbatch run_slurm.sh\n```\n\n## Data\n\nYou can download tokenized open-source speech data [here](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FHKUST-Audio\u002FLlasa_opensource_speech_data_160k_hours_tokenized\u002Ftree\u002Fmain). This includes LibriHeavy, Emilia (in both Chinese and English), and WenetSpeech4TTS, totaling approximately 160,000 hours of open-source data.\n\nOur models are trained on 250,000 hours of speech data. Of this, 160,000 hours come from the open-source datasets mentioned above, while the remaining 90,000 hours are from internal datasets, which are not yet available for open-source release.\n\n## Data instruction \n \n\n[Text_sequence](https:\u002F\u002Fgithub.com\u002Fzhenye234\u002FLLaSA_training\u002Fblob\u002F5ffcddee243f0aa594ebfc089f4327a24f7cac6f\u002Ftrain_tts.py#L111) is encoded by the  text tokenizer from Llama, for example, [Llama-3.2-1B-Instruct](https:\u002F\u002Fhuggingface.co\u002Fmeta-llama\u002FLlama-3.2-1B-Instruct) \n\n[Speech_sequence](https:\u002F\u002Fgithub.com\u002Fzhenye234\u002FLLaSA_training\u002Fblob\u002F5ffcddee243f0aa594ebfc089f4327a24f7cac6f\u002Ftrain_tts.py#L112) is extrated through [X-codec2](https:\u002F\u002Fgithub.com\u002Fzhenye234\u002FX-Codec-2.0)  We change the value of speech tokens by adding  len(text tokenizer) +8 [special tokens](https:\u002F\u002Fgithub.com\u002Fzhenye234\u002FLLaSA_training\u002Fblob\u002F1d65cf3e34c0d5b508404d67ff41b3b6fb1ecab7\u002Ftrain_tts.py#L67) thereby forming a unified tokenizer that encompasses both speech and text.\n\n \n\n \n","[![arXiv](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-Paper-\u003CCOLOR>.svg)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2502.04128)\n\n\n## 直接在 Hugging Face 上使用\n\n**Codec（编解码器）**: [xcodec2](https:\u002F\u002Fhuggingface.co\u002FHKUST-Audio\u002Fxcodec2)  \n \n\n\n**TTS（文本转语音）推理：Llasa-collections**: [Llasa-collections](https:\u002F\u002Fhuggingface.co\u002Fcollections\u002FHKUSTAudio\u002Fllasa-679b87dbd06ac556cc0e0f44)\n\n\n\n**更新 (2025-06-09)：** 添加了 Llasa 微调说明。\n基于 Llasa 的优秀工作\n- [LLaSa GRPO（组相对策略优化）微调](https:\u002F\u002Fgithub.com\u002Fchannel-io\u002Fch-tts-llasa-rl-grpo)：特别感谢来自 [Channel Corp.](https:\u002F\u002Fchannel.io\u002Fen) 的 [Seungyoun Shin](https:\u002F\u002Fgithub.com\u002FSeungyounShin) 分享了基于 Verl 的 Llasa GRPO RL（强化学习）微调脚本。\n您可以在此处尝试微调结果：\n- [LLaSA 1B 多说话人 (Genshin-zh-en-ja-ko)](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FHKUST-Audio\u002FLlasa-1B-multi-speakers-genshin-zh-en-ja-ko)\n- [LLaSA 1B 双说话人微调版](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FHKUST-Audio\u002FLlasa-1B-finetuned-for-two-speakers)\n\n\n**更新 (2025-02-07)：** 我们的论文已发布！Llasa 1b 多语言版本已发布！\n\n## 训练\n```bash\ntorchrun --nproc_per_node=8 train_tts.py config.json \n```\n\n或\n\n```bash\nsbatch run_slurm.sh\n```\n\n## 数据\n\n您可以 [此处](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FHKUST-Audio\u002FLlasa_opensource_speech_data_160k_hours_tokenized\u002Ftree\u002Fmain) 下载已 tokenized（分词）的开源语音数据。其中包括 LibriHeavy、Emilia（中文和英文）以及 WenetSpeech4TTS，总计约 160,000 小时的开源数据。\n\n我们的模型是在 250,000 小时的语音数据上训练的。其中，160,000 小时来自上述开源数据集，其余 90,000 小时来自内部数据集，目前尚未开源。\n\n## 数据说明\n \n\n[Text_sequence（文本序列）](https:\u002F\u002Fgithub.com\u002Fzhenye234\u002FLLaSA_training\u002Fblob\u002F5ffcddee243f0aa594ebfc089f4327a24f7cac6f\u002Ftrain_tts.py#L111) 由 Llama 的文本 tokenizer（分词器）编码，例如 [Llama-3.2-1B-Instruct](https:\u002F\u002Fhuggingface.co\u002Fmeta-llama\u002FLlama-3.2-1B-Instruct) \n\n[Speech_sequence（语音序列）](https:\u002F\u002Fgithub.com\u002Fzhenye234\u002FLLaSA_training\u002Fblob\u002F5ffcddee243f0aa594ebfc089f4327a24f7cac6f\u002Ftrain_tts.py#L112) 是通过 [X-codec2](https:\u002F\u002Fgithub.com\u002Fzhenye234\u002FX-Codec-2.0) 提取的。我们通过添加 len(text tokenizer) +8 个 [special tokens（特殊词元）](https:\u002F\u002Fgithub.com\u002Fzhenye234\u002FLLaSA_training\u002Fblob\u002F1d65cf3e34c0d5b508404d67ff41b3b6fb1ecab7\u002Ftrain_tts.py#L67) 来更改语音 tokens（词元）的值，从而形成一个包含语音和文本的统一 tokenizer（分词器）。","# LLaSA_training 快速上手指南\n\n## 环境准备\n\n*   **操作系统**: Linux (推荐 Ubuntu)\n*   **硬件要求**: 多卡 GPU 环境（示例默认 8 卡），显存建议 80GB+\n*   **软件依赖**: \n    *   Python 3.8+\n    *   PyTorch (支持 CUDA)\n    *   Transformers (用于 Llama 文本 tokenizer)\n    *   X-codec2 (用于语音编码)\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    获取训练脚本及相关配置文件。\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fzhenye234\u002FLLaSA_training.git\n    cd LLaSA_training\n    ```\n\n2.  **安装核心依赖**\n    确保已安装 PyTorch，然后安装语音编码工具及模型依赖。\n    ```bash\n    pip install transformers\n    # 安装 X-codec2 (参考官方仓库)\n    pip install xcodec2\n    ```\n\n3.  **下载预训练模型与数据**\n    *   **Codec 模型**: [xcodec2](https:\u002F\u002Fhuggingface.co\u002FHKUST-Audio\u002Fxcodec2)\n    *   **文本 Tokenizer**: 推荐使用 [Llama-3.2-1B-Instruct](https:\u002F\u002Fhuggingface.co\u002Fmeta-llama\u002FLlama-3.2-1B-Instruct)\n    *   **训练数据**: 下载已分词的开源语音数据（约 16 万小时）。\n        *   数据集地址：[Llasa_opensource_speech_data_160k_hours_tokenized](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FHKUST-Audio\u002FLlasa_opensource_speech_data_160k_hours_tokenized)\n        *   *提示：国内用户可使用 `hf-mirror.com` 加速下载。*\n\n4.  **数据配置说明**\n    *   **文本序列**: 使用 Llama 文本 tokenizer 编码。\n    *   **语音序列**: 通过 X-codec2 提取，并将语音 token 值偏移 `len(text tokenizer) + 8` 个特殊 token，以形成统一的 tokenizer。\n\n## 基本使用\n\n### 启动训练\n准备好 `config.json` 配置文件（需指定数据路径、模型路径等参数）后，使用以下命令启动分布式训练。\n\n**多卡训练 (8 卡):**\n```bash\ntorchrun --nproc_per_node=8 train_tts.py config.json \n```\n\n**Slurm 集群训练:**\n```bash\nsbatch run_slurm.sh\n```\n\n### 推理与微调\n*   **直接推理**: 可使用 Hugging Face 上的 [Llasa-collections](https:\u002F\u002Fhuggingface.co\u002Fcollections\u002FHKUSTAudio\u002Fllasa-679b87dbd06ac556cc0e0f44) 模型集合。\n*   **微调示例**: 参考社区基于 Llasa 的 GRPO 微调实现 [LLaSa GRPO tuning](https:\u002F\u002Fgithub.com\u002Fchannel-io\u002Fch-tts-llasa-rl-grpo)。\n*   **在线体验**: \n    *   [LLaSA 1B 多说话人 (Genshin-zh-en-ja-ko)](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FHKUST-Audio\u002FLlasa-1B-multi-speakers-genshin-zh-en-ja-ko)\n    *   [LLaSA 1B 双说话人微调版](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002FHKUST-Audio\u002FLlasa-1B-finetuned-for-two-speakers)","某游戏本地化团队正为新款 RPG 游戏中的多位 NPC 生成中、英、日、韩四语配音，要求音色自然且情感丰富，同时需在短时间内快速适配不同角色音色。\n\n### 没有 LLaSA_training 时\n- 传统 TTS 方案多语种支持割裂，需为每种语言单独维护模型，部署成本高昂。\n- 文本与语音特征分离处理，长文本合成时韵律容易断裂，情感表达生硬机械。\n- 微调特定角色音色依赖大量专有录音数据，冷启动周期长，难以快速响应需求。\n\n### 使用 LLaSA_training 后\n- LLaSA_training 基于 LLaMA 架构，单一模型即可流畅支持四国语言混合合成，简化部署架构。\n- 统一 tokenizer 将文本与语音编码融合，长句合成韵律连贯，情感表现力显著提升。\n- 支持基于少量数据的指令微调，快速锁定特定角色音色，大幅降低数据门槛。\n\nLLaSA_training 通过统一建模与大规模数据训练，实现了高质量、低门槛的多语种语音合成落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fzhenye234_LLaSA_training_ea9476ea.png","zhenye234","YE Zhen","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fzhenye234_271e4ad7.png","Speech synthesis, Audio generation, Speech LLM","Hong Kong University of Science and Technology"," Hong Kong",null,"https:\u002F\u002Fgithub.com\u002Fzhenye234",[84,88],{"name":85,"color":86,"percentage":87},"Python","#3572A5",99.2,{"name":89,"color":90,"percentage":91},"Shell","#89e051",0.8,659,53,"2026-04-01T06:50:17","NOASSERTION",4,"未说明 (含 sbatch 脚本暗示 Linux)","未说明 (训练命令 --nproc_per_node=8 暗示需 8 卡 GPU 并行)","未说明",{"notes":101,"python":99,"dependencies":102},"README 未明确指定具体版本依赖。训练支持 torchrun 多卡并行及 Slurm 调度。需准备约 16 万小时开源语音数据（LibriHeavy, Emilia, WenetSpeech4TTS）。文本编码使用 Llama-3.2-1B-Instruct 分词器，语音编码使用 X-codec2。已更新微调指令及 GRPO 强化学习 tuning 脚本参考。",[103,104,105],"torch","transformers","xcodec2",[55,26,13],[108,109,110,105],"llama","llm","text-to-speech",6,"2026-03-27T02:49:30.150509","2026-04-06T05:27:29.632794",[115,120,125,130,135,140],{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},59,"使用自定义数据集训练时损失过低且输出为噪音怎么办？","首先检查验证损失（validation loss），它应该接近训练损失。如果使用 Unsloth 进行微调，注意温度参数（temperature）设置，若小于 1 可能导致输出被完全破坏。此外，需排查模型配置、优化器设置或数据预处理是否存在问题。","https:\u002F\u002Fgithub.com\u002Fzhenye234\u002FLLaSA_training\u002Fissues\u002F47",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},60,"微调训练的数据格式应该如何构造？","维护者确认以下格式正确：chat: [{'role': 'user', 'content': 'Convert the text to speech:\u003C|TEXT_UNDERSTANDING_START|>文本内容\u003C|TEXT_UNDERSTANDING_END|>'}, {'role': 'assistant', 'content': '\u003C|SPEECH_GENERATION_START|>'}]。确保包含特定的开始和结束标记。","https:\u002F\u002Fgithub.com\u002Fzhenye234\u002FLLaSA_training\u002Fissues\u002F36",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},61,"合成后去除提示语音（Prompt）是否会影响音质？","通常影响不大，但合成短文本（如 1-3 个字）时，上下文机制非常重要，移除提示语音可能导致质量波动。这是因为 codec decoder 使用了 transformer 的上下文机制。建议在同一次推理中对比保存两种 generated_ids 进行验证。","https:\u002F\u002Fgithub.com\u002Fzhenye234\u002FLLaSA_training\u002Fissues\u002F34",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},62,"想要进行带有 NLP 描述文本的可控 TTS 微调，应该选哪个模型？","建议使用 HKUSTAudio\u002FLlasa-1B-Preserve-TextChat 或 HKUSTAudio\u002FLlasa-3B-Preserve-TextChat。这些模型保留了来自 llama-instruct 的文本指令遵循能力，更适合此类可控 TTS 任务，能改善发音清晰度和音色一致性。","https:\u002F\u002Fgithub.com\u002Fzhenye234\u002FLLaSA_training\u002Fissues\u002F48",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},63,"遇到 AttributeError: 'XCodec2Model' object has no attribute 'encode_batch_feats' 错误如何解决？","请确保安装正确版本的 xcodec2 库。维护者建议下载并安装 xcodec2==0.1.5 版本尝试。如果问题依旧，请检查环境是否正确加载了该模块，或尝试重新安装依赖。","https:\u002F\u002Fgithub.com\u002Fzhenye234\u002FLLaSA_training\u002Fissues\u002F32",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},64,"训练和推理使用的 codec 模型地址不同（HKUST-Audio 与 HKUSTAudio）是否有影响？","没有影响，它们是同一个模型。这是由于 Hugging Face Hub 的重定向机制（从 HKUST-Audio\u002Fxcodec2 重定向到 HKUSTAudio\u002Fxcodec2），可能是之前重命名导致的，模型内容一致。","https:\u002F\u002Fgithub.com\u002Fzhenye234\u002FLLaSA_training\u002Fissues\u002F45",[]]