数据需求因你选择的模型而异： DDSP：约 10-15 分钟的干净单声道录音。最好带有 MIDI 转录（或易于转录）。最适合单一乐器音色。 RAVE：2-3 小时的干净、高质量且连贯的音频（单一风格）。适用于多样的声音类型，能处理更复杂的音色。 AFTER：为获得良好效果，通常需要超过 1 小时的音频样本，最好带有 MIDI 转录（或易于转录）。支持复音内容。 请确保你拥有将该音频用作训练数据的权利。若造成损害，你同意由你负责版权合规。 有关详细的最佳实践，请查阅每个模型的文档：RAVE、AFTER、DDSP。