diff --git a/README-LINUX-CN.md b/README-LINUX-CN.md new file mode 100644 index 0000000..4ab3e40 --- /dev/null +++ b/README-LINUX-CN.md @@ -0,0 +1,238 @@ +## 实时语音克隆 - 中文/普通话 +![mockingbird](https://user-images.githubusercontent.com/12797292/131216767-6eb251d6-14fc-4951-8324-2722f0cd4c63.jpg) + +[![MIT License](https://img.shields.io/badge/license-MIT-blue.svg?style=flat)](http://choosealicense.com/licenses/mit/) + +### [English](README.md) | 中文 + +### [DEMO VIDEO](https://www.bilibili.com/video/BV17Q4y1B7mY/) | [Wiki教程](https://github.com/babysor/MockingBird/wiki/Quick-Start-(Newbie)) ｜ [训练教程](https://vaj2fgg8yn.feishu.cn/docs/doccn7kAbr3SJz0KM0SIDJ0Xnhd) + +## 特性 +🌍 **中文** 支持普通话并使用多种中文数据集进行测试：aidatatang_200zh, magicdata, aishell3, biaobei, MozillaCommonVoice, data_aishell 等 + +🤩 **Easy & Awesome** 仅需下载或新训练合成器（synthesizer）就有良好效果，复用预训练的编码器/声码器，或实时的HiFi-GAN作为vocoder + +🌍 **Webserver Ready** 可伺服你的训练结果，供远程调用。 + +🤩 **感谢各位小伙伴的支持，本项目将开启新一轮的更新** + +## 1.快速开始 +### 1.1 建议环境 +- Ubuntu 18.04 +- Cuda 11.7 && CuDNN 8.5.0 +- Python 3.8 以上 +- Pytorch 2.0.1 +### 1.2 环境配置 +```shell +# 下载前建议更换国内镜像源 + +conda create -n sound python=3.9 + +conda activate sound + +git clone https://github.com/babysor/MockingBird.git + +cd MockingBird + +pip install -r requirements.txt + +pip install webrtcvad-wheels + +pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117 +``` +### 1.3 项目文件结构信息 + +MockingBird + ├── academicodec + ├── utils.py # common parts of various models + ├── modules # common parts of various models + ├── ... + ├── quantization # common parts of various models + └── models # parts that are not shared by various models +.. +├── evaluation_metric +├── examples +│ ├── SoundStream* +│ ├── EnCodec* +│ └── HiFi-Codec* +│ ├── start.sh +│ ├── ... +│ └── test.sh +└── README.md + +### 1.4 模型准备 +> 当实在没有设备或者不想慢慢调试，可以使用社区贡献的模型(欢迎持续分享): + +| 作者 | 下载链接 | 效果预览 | 信息 | +| --- | ----------- | ----- | ----- | +| 作者 | https://pan.baidu.com/s/1iONvRxmkI-t1nHqxKytY3g [百度盘链接](https://pan.baidu.com/s/1iONvRxmkI-t1nHqxKytY3g) 4j5d | | 75k steps 用3个开源数据集混合训练 +| 作者 | https://pan.baidu.com/s/1fMh9IlgKJlL2PIiRTYDUvw [百度盘链接](https://pan.baidu.com/s/1fMh9IlgKJlL2PIiRTYDUvw) 提取码：om7f | | 25k steps 用3个开源数据集混合训练, 切换到tag v0.0.1使用 +|@FawenYo | https://drive.google.com/file/d/1H-YGOUHpmqKxJ9FRc6vAjPuqQki24UbC/view?usp=sharing [百度盘链接](https://pan.baidu.com/s/1vSYXO4wsLyjnF3Unl-Xoxg) 提取码：1024 | [input](https://github.com/babysor/MockingBird/wiki/audio/self_test.mp3) [output](https://github.com/babysor/MockingBird/wiki/audio/export.wav) | 200k steps 台湾口音需切换到tag v0.0.1使用 +|@miven| https://pan.baidu.com/s/1PI-hM3sn5wbeChRryX-RCQ 提取码：2021 | https://www.bilibili.com/video/BV1uh411B7AD/ | 150k steps 注意：根据[issue](https://github.com/babysor/MockingBird/issues/37)修复 并切换到tag v0.0.1使用 + +### 1.5 文件结构准备 +文件结构准备如下所示，算法将自动遍历synthesizer下的.pt模型文件。 +``` +# 以第一个 pretrained-11-7-21_75k.pt 为例 + +└── data + └── ckpt + └── synthesizer + └── pretrained-11-7-21_75k.pt +``` +### 1.6 运行 +``` +python web.py +``` + +## 2.模型训练 +### 2.1 数据准备 +#### 2.1.1 数据下载 +``` shell +# aidatatang_200zh + +wget https://openslr.elda.org/resources/62/aidatatang_200zh.tgz +``` +``` shell +# MAGICDATA + +wget https://openslr.magicdatatech.com/resources/68/train_set.tar.gz + +wget https://openslr.magicdatatech.com/resources/68/dev_set.tar.gz + +wget https://openslr.magicdatatech.com/resources/68/test_set.tar.gz +``` +``` shell +# AISHELL-3 + +wget https://openslr.elda.org/resources/93/data_aishell3.tgz +``` +```shell +# Aishell + +wget https://openslr.elda.org/resources/33/data_aishell.tgz +``` +#### 2.1.2 数据批量解压 +```shell +# 该指令为解压当前目录下的所有压缩文件 + +for gz in *.gz; do tar -zxvf $gz; done +``` +### 2.2 encoder模型训练 +#### 2.2.1 数据预处理： +需要先在`pre.py `头部加入： +```python +import torch +torch.multiprocessing.set_start_method('spawn', force=True) +``` +使用以下指令对数据预处理： +```shell +python pre.py \ + -d +``` +其中``为原数据集路径，`` 为数据集名称。 + +支持 `librispeech_other`，`voxceleb1`，`aidatatang_200zh`，使用逗号分割处理多数据集。 + +### 2.2.2 encoder模型训练： +超参数文件路径：`models/encoder/hparams.py` +```shell +python encoder_train.py \ + /SV2TTS/encoder +``` +其中 `` 是训练产生文件的名称，可自行修改。 + +其中 `` 是经过 `Step 2.1.1` 处理过后的数据集路径。 +#### 2.2.3 开启encoder模型训练数据可视化（可选） +```shell +visdom +``` + +### 2.3 synthesizer模型训练 +#### 2.3.1 数据预处理： +```shell +python pre.py \ + -d \ + -o \ + -n +``` +`` 为原数据集路径，当你的`aidatatang_200zh`路径为`/data/aidatatang_200zh/corpus/train`时，`` 为 `/data/`。 + +`` 为数据集名称。 + +`` 为数据集处理后的保存路径。 + +`` 为数据集处理时进程数，根据CPU情况调整大小。 + +#### 2.3.2 新增数据预处理： +```shell +python pre.py \ + -d \ + -o \ + -n \ + -s +``` +当新增数据集时，应加 `-s` 选择数据拼接，不加则为覆盖。 +#### 2.3.3 synthesizer模型训练： +超参数文件路径：`models/synthesizer/hparams.py`，需将`MockingBird/control/cli/synthesizer_train.py`移成`MockingBird/synthesizer_train.py`结构。 +```shell +python synthesizer_train.py + -m +``` +其中 `` 是训练产生文件的名称，可自行修改。 + +其中 `` 是经过 `Step 2.2.1` 处理过后的数据集路径。 + +其中 ` `为训练时所有数据的保存路径。 + +### 2.4 vocoder模型训练 +vocoder模型对生成效果影响不大，已预置3款。 +#### 2.4.1 数据预处理 +```shell +python vocoder_preprocess.py + -m +``` + +其中``为你数据集路径。 + +其中 ``为synthesizer模型地址。 + +#### 2.4.2 wavernn声码器训练: +``` +python vocoder_train.py +``` +#### 2.4.3 hifigan声码器训练: +``` +python vocoder_train.py hifigan +``` +#### 2.4.4 fregan声码器训练: +``` +python vocoder_train.py --config config.json fregan +``` +将GAN声码器的训练切换为多GPU模式：修改`GAN`文件夹下`.json`文件中的`num_gpus`参数。 + + + + + +## 3.致谢 +### 3.1 项目致谢 +该库一开始从仅支持英语的[Real-Time-Voice-Cloning](https://github.com/CorentinJ/Real-Time-Voice-Cloning) 分叉出来的，鸣谢作者。 +### 3.2 论文致谢 +| URL | Designation | 标题 | 实现源码 | +| --- | ----------- | ----- | --------------------- | +| [1803.09017](https://arxiv.org/abs/1803.09017) | GlobalStyleToken (synthesizer)| Style Tokens: Unsupervised Style Modeling, Control and Transfer in End-to-End Speech Synthesis | 本代码库 | +| [2010.05646](https://arxiv.org/abs/2010.05646) | HiFi-GAN (vocoder)| Generative Adversarial Networks for Efficient and High Fidelity Speech Synthesis | 本代码库 | +| [2106.02297](https://arxiv.org/abs/2106.02297) | Fre-GAN (vocoder)| Fre-GAN: Adversarial Frequency-consistent Audio Synthesis | 本代码库 | +|[**1806.04558**](https://arxiv.org/pdf/1806.04558.pdf) | SV2TTS | Transfer Learning from Speaker Verification to Multispeaker Text-To-Speech Synthesis | 本代码库 | +|[1802.08435](https://arxiv.org/pdf/1802.08435.pdf) | WaveRNN (vocoder) | Efficient Neural Audio Synthesis | [fatchord/WaveRNN](https://github.com/fatchord/WaveRNN) | +|[1703.10135](https://arxiv.org/pdf/1703.10135.pdf) | Tacotron (synthesizer) | Tacotron: Towards End-to-End Speech Synthesis | [fatchord/WaveRNN](https://github.com/fatchord/WaveRNN) +|[1710.10467](https://arxiv.org/pdf/1710.10467.pdf) | GE2E (encoder)| Generalized End-To-End Loss for Speaker Verification | 本代码库 | + +### 3.3 开发者致谢 + +作为一名AI领域的从业者，我们不仅乐于开发一些具有里程碑意义的算法项目，同时也乐于分享项目的成果以及开发当中的喜悦。 +因此，你们的使用是对我们项目的最大认可，同时我们欢迎你们的指正，当你们有想法时可以欢迎issues上留言，这对于项目的后续优化具有十分重大的的意义。 +为了表示感谢，我们将在本项目中留下你们的信息以及相对应的贡献。 + +