Hace más de 3 años, cuando todavía jugaba con sovits, en ese momento el modelo de voz requería separar (eliminar el ruido de fondo ambiental) para obtener la voz seca, y luego hacer el entrenamiento.

Luego era necesario filtrar el conjunto de datos, eliminando las partes con mucho ruido de fondo, y comenzar el entrenamiento.
Generalmente, entrenar alrededor de 8000 pasos, la fidelidad del tono es la mejor; si se supera los 8000 pasos y la puntuación sigue por debajo de 25, ese conjunto de datos y el entrenamiento básicamente están arruinados.
Si insistes en seguir entrenando, entrenando de una sola vez hasta más de 14000 pasos, aparecerá lo que se llama “divergencia”, que finalmente hace que la voz generada sea o “con mucho efecto electrónico” o “que no parece humano ni animal”.
¿No se parece esto a los pasos de desarrollo del trading cuantitativo?
El proceso de extraer la voz seca es como darle a la máquina un conjunto de datos para que aprenda y prediga por sí misma, eliminar las partes con mucho ruido de fondo es como filtrar las operaciones inválidas (las subidas y bajadas rápidas en 1 minuto).
Entrenar 8000 pasos no causará un sobreajuste severo, pero si se entrena hasta 14000 pasos y se produce una “divergencia” (sobreajuste severo), el resultado en la práctica será como lanzar una moneda.
Aunque no estamos en la misma categoría, la lógica subyacente es la misma.
No se puede predecir si en el futuro, lo que nos derrotará no será la propia industria, sino personas que cruzan de otra área, lo cual realmente es difícil de decir...