convey.") Feng 2020; Mahendra 2020; Ji 2021. Feng 2020: "该工具生成的音频文件的采样率为 44100 Hz，而大多数基于深度学习的文本转语音实现，所使用的采样率为16,000 Hz。所以用它产生的音频，声谱会更详细（更高质量的音频），同时缺陷也更明显。"...