我当前为了省事儿，分离、识别、推理之类的全部用 GPTSovits（或者Fishspeech）。之前自己用开源的模块写过一套低配版，不过 bug 有点多，就不重新造轮子了，还是用现成的就好。
效果音用 SOTA 会好一些，不过你如果追求过高的品质，去分离效果音，实际上会发现工作量太大了，为爱发电我觉得没必要，用叠双轨（参考电报双语翻译 bot）的方式搞就行了，因为有外语能力的人，会去直接听原版，没有外语能力的，外语这部分音轨听不懂反而没什么影响（排除少部分极度容易被分散注意力的人），这样做“事半功倍”。
另外炼丹最大的问题在于，英文声音练完的丹，读中文会有点奇怪，所以我感觉靠 stella 本身的音频样本，训练 stella 的中文声音本身这个角度就不太可行。
剪辑以及合声什么的，我是纯手动挡，ffmepg 一把梭。