3年多以前，我还在玩sovits的时候，那个时候声音的模型是需要分离（去环境背景音）出干声，然后做训练的。

然后需要对数据集进行一个筛选，去掉底噪大的部分，然后开始进行训练。
一般训练8000步左右，音色还原度最佳，如果超过8000步，评分还在25以下，这个数据集和训练基本就废了，如果你硬要继续训练，一口气训练到超过14000步，就会出现所谓的“发散”，最终导致出来的声音要么是“电音严重”要么就是“人不人鬼不鬼”。
这里像不像量化交易的开发步骤？提取干声的过程，就是给机器自学习和预测模型找数据集的过程，去掉底噪大的部分，就是筛选掉里面的无效行情（1m暴涨暴跌的部分），训练8000步，不会出现严重的过拟合，训练到14000步“发散”（严重过拟合）最终导致实盘结果无限接近于：抛硬币。
虽然不在一个赛道里，但是底层逻辑是相同的。
会不会在未来某一天，击败我们的不是行业本身的人，而是跨行踩过来的人，就真不好说了。。。