配合notion mcp生成文章summary与callout，然后结合内容形成完整文稿，推送tts生成音频
环境配置
- 参考项目
- clone下来用Agent结合start脚本里相关设置，通过本地mise下uv进行环境搭建，后续通过start脚本启动
使用配置
- float16精度推理，sdpa加速，最大token数拉满（尽量一次生成，整个语音的衔接好些，且在最开始的几s容易表现不佳，多端意味着有更多“开头几s”）
使用 - 克隆生成
- 情感上与声音相似度上不如indextts，gpt-sovits，但好在没有电音效果
- 使用1.7B模型
- 文本上可以提前改改
- 如果需要按行分段生成，可以合并一些标题到段落开头，用。连接
- 、有时候讲话过渡略快，用，可能好点
- 数字实测有概率念错 - 左侧有概率为：一 （百，吐字不清）二八 需要直接写出念出来的文字
- 百分号与小数同上，比如左侧6.7%有概率为：百分六七
- 多音符号也需要明确写出对应文字，各行之和有概率念成：各“形”之和，为确保不念错音，可以换成“杭”，图2的1M同理，可能成1“m”（英文m音）而不是1兆
- 中英夹杂用auto，两边都可以正常发音，提供参考音频，时长不适合长（无明显提升，显存占用提升倒是明显）
- 8G卡可跑，如果混合模式（应用全放集显，独显保持空载）6G应该也能跑
效果
- 都带有一定的底噪
- 优化文本版本
- 原始文本版本
- NF4量化优化文本版本（有较为明显的性能下降）
文稿可进一步改进的点
- 最后靠分号分割效果并不是特别好，没有很体现五个点分点，可以考虑用一 二等枚举点进行衔接
- 开头几s效果不好，可以考虑填充一段开头文本，然后最终音频里剪掉