[Help]: 为何扩散模型生成的效果要远好於 sovits 的模型?

### 请勾选下方的确认框。 - [X] 我已仔细阅读[README.md](https://github.com/svc-develop-team/so-vits-svc/blob/4.0/README_zh_CN.md)和[wiki中的Quick solution](https://github.com/svc-develop-team/so-vits-svc/wiki/Quick-solution)。 - [X] 我已通过各种搜索引擎排查问题，我要提出的问题并不常见。 - [X] 我未在使用由第三方用户提供的一键包/环境包。 ### 系统平台版本号 win 10 ### GPU 型号 3060 12g ### Python版本 3.10.6 ### PyTorch版本 2.0.1+cu118 ### sovits分支 4.0(默认) ### 数据集来源（用于判断数据集质量） 自行录制，一半是歌声 ### 出现问题的环节或执行的命令 训练 so-vits-svc 4.0 模型 ### 问题描述 我是新手，使用 so-vits-svc 4.0 推理 webUI，为何 diffusion 模型生成的效果要远好於 sovits 的模型? 一般使用30至45分钟的资料，使用预设 config，没有修改批次大小， sovits 模型训练约20万步，推理出来的歌声总是沙哑，或突然出现电流声音. 但是 diffusion 模型只训练了3万步，推理出来的歌声已很不错，虽还不够完美，但比 sovits 模型要好很多。 混合 sovits 模型和 diffusion 模型後，感觉比只用 diffusion 要差一些，但比只用sovits 模型要好。 为什麽会有这情况，是否训练不够多？ ### 日志 ```python N/A ``` ### 截图`so-vits-svc`、`logs/44k`文件夹并粘贴到此处  ### 补充说明 _No response_