4.7 KiB
实时语音克隆 - 中文/普通话
English | 中文
DEMO VIDEO
特性
🌍 中文 支持普通话并使用多种中文数据集进行测试：adatatang_200zh, magicdata, aishell3
🤩 PyTorch 适用于 pytorch，已在 1.9.0 版本（最新于 2021 年 8 月）中测试，GPU Tesla T4 和 GTX 2060
🌍 Windows + Linux 在修复 nits 后在 Windows 操作系统和 linux 操作系统中进行测试
🤩 Easy & Awesome 仅使用新训练的合成器（synthesizer）就有良好效果，复用预训练的编码器/声码器
快速开始
0训练新手友好版可以参考 Quick Start (Newbie)
1. 安装要求
按照原始存储库测试您是否已准备好所有环境。 Python 3.7 或更高版本 需要运行工具箱。
- 安装 PyTorch。
如果在用 pip 方式安装的时候出现
ERROR: Could not find a version that satisfies the requirement torch==1.9.0+cu102 (from versions: 0.1.2, 0.1.2.post1, 0.1.2.post2)这个错误可能是 python 版本过低，3.9 可以安装成功
- 安装 ffmpeg。
- 运行
pip install -r requirements.txt来安装剩余的必要包。 - 安装 webrtcvad 用
pip install webrtcvad-wheels。
2. 使用数据集训练合成器
- 下载 数据集并解压：确保您可以访问 train 文件夹中的所有音频文件（如.wav）
- 进行音频和梅尔频谱图预处理：
python pre.py <datasets_root>
可以传入参数 --dataset {dataset} 支持 adatatang_200zh, magicdata, aishell3, BZNSYP
假如你下载的
aidatatang_200zh文件放在D盘，train文件路径为D:\data\aidatatang_200zh\corpus\train, 你的datasets_root就是D:\data\
假如發生
頁面文件太小，無法完成操作，請參考這篇文章，將虛擬內存更改為100G(102400)，例如:档案放置D槽就更改D槽的虚拟内存
-
训练合成器：
python synthesizer_train.py mandarin <datasets_root>/SV2TTS/synthesizer -
当您在训练文件夹 synthesizer/saved_models/ 中看到注意线显示和损失满足您的需要时，请转到下一步。
仅供参考，我的注意力是在 18k 步之后出现的，并且在 50k 步之后损失变得低于 0.4
2.2 使用预先训练好的合成器
实在没有设备或者不想慢慢调试，可以使用网友贡献的模型(欢迎持续分享):
| 作者 | 下载链接 | 效果预览 |
|---|---|---|
| @miven | https://pan.baidu.com/s/1PI-hM3sn5wbeChRryX-RCQ 提取码：2021 | https://www.bilibili.com/video/BV1uh411B7AD/) |
2.3 训练声码器 (Optional)
-
预处理数据:
python vocoder_preprocess.py <datasets_root> -
训练声码器:
python vocoder_train.py mandarin <datasets_root>
3. 启动工具箱
然后您可以尝试使用工具箱：
python demo_toolbox.py -d <datasets_root>
Good news🤩: 可直接使用中文
TODO
- 允许直接使用中文
- 添加演示视频
- 添加对更多数据集的支持
- 上传预训练模型
- 支持parallel tacotron
- 服务化与容器化
- 🙏 欢迎补充
引用及论文
该库一开始从仅支持英语的Real-Time-Voice-Cloning 分叉出来的，鸣谢作者。
| URL | Designation | 标题 | 实现源码 |
|---|---|---|---|
| 1806.04558 | SV2TTS | Transfer Learning from Speaker Verification to Multispeaker Text-To-Speech Synthesis | This repo |
| 1802.08435 | WaveRNN (vocoder) | Efficient Neural Audio Synthesis | fatchord/WaveRNN |
| 1703.10135 | Tacotron (synthesizer) | Tacotron: Towards End-to-End Speech Synthesis | fatchord/WaveRNN |
| 1710.10467 | GE2E (encoder) | Generalized End-To-End Loss for Speaker Verification | 本代码库 |