将两种不同语言的音频合成为自然声音

Question

我有一个数据集，里面有语音录音，录音的前半部分和后半部分是不同的语言，而且音调也不一样。你知道有什么解决这个问题的方法吗？

我尝试用音频平滑和频率阈值来处理，还有用librosa进行音调转换，但结果都不太好。