音色 A参考 F0≈82Hz
ASR：有少量词级漂移
RTX 4090 已实际跑通。用于A2V数据增强时，应默认只换音色、关闭风格转换。
中文：只换音色
源音频
目标音色参考
变声结果（归一化）
时长：7.708s → 7.697s（−0.14%）。ASR正文基本一致，仅有虚词和标点差异。
同一句中文 → 8种参考音色
全部关闭风格转换，输出均为7.697秒。F0仅用于帮助排列音区，不代表性别判断。
固定源音频
音色 B参考 F0≈95Hz
ASR：正文基本一致
音色 C参考 F0≈128Hz
ASR：一处虚词遗漏
音色 D参考 F0≈141Hz
ASR：正文基本一致
音色 E参考 F0≈187Hz
ASR：正文基本一致
音色 F参考 F0≈213Hz
ASR：正文基本一致
音色 G参考 F0≈229Hz
ASR：末句有一处词级漂移
音色 H参考 F0≈231Hz
ASR：首尾均有轻微词级漂移
英文：只换音色 vs. 连风格一起换
源音频
目标音色参考
只换音色（归一化）
音色＋风格（归一化）
只换音色的ASR与原文一致；开启风格转换后，开头从
Today we're going to… 变成了 After that, we're gonna…。
AR风格分支可能改变内容，不适合严格字幕或嘴型对齐。
RTX 4090 性能
| 项目 | 实测 |
|---|---|
| 模型加载 | 18.44s |
| 常驻后首条只换音色 | 2.90s / 7.70s音频 |
| 常驻后第二条只换音色 | 0.80s，RTF 0.104 |
| 音色＋风格 | 5.85s / 8.05s音频，RTF 0.727 |
| 模型常驻显存 | 2.17GiB |
| 推理峰值显存 | 3.44GiB |
原始输出存在响度偏大问题；本页播放的是经过 loudnorm 处理的安全版本。