11 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：aidatatang_200zh, magicdata, aishell3, biaobei, MozillaCommonVoice, data_aishell 等
🤩 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 可在 Windows 操作系统和 linux 操作系统中运行（苹果系统M1版也有社区成功运行案例）
🤩 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
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
pip install webrtcvad-wheels。
2. 准备预训练模型
考虑训练您自己专属的模型或者下载社区他人训练好的模型:
近期创建了知乎专题 将不定期更新炼丹小技巧or心得，也欢迎提问
2.1 使用数据集自己训练合成器模型（与2.2二选一）
- 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> -d {dataset} -n {number}可传入参数： - -d
{dataset}指定数据集，支持 aidatatang_200zh, magicdata, aishell3, data_aishell, 不传默认为aidatatang_200zh - -n
{number}指定并行数，CPU 11770k + 32GB实测10没有问题
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\
-
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
启动程序一步。
2.2使用社区预先训练好的合成器（与2.1二选一）
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/11FrUYBmLrSs_cQ7s3JTlPQ 百度盘链接 提取码：gdn5 | 25k steps 用3个开源数据集混合训练 | |
| @FawenYo | https://drive.google.com/file/d/1H-YGOUHpmqKxJ9FRc6vAjPuqQki24UbC/view?usp=sharing 百度盘链接 提取码：1024 | input output | 200k steps 台湾口音 |
| @miven | https://pan.baidu.com/s/1PI-hM3sn5wbeChRryX-RCQ 提取码：2021 | https://www.bilibili.com/video/BV1uh411B7AD/ | 150k steps 旧版需根据issue修复 |
2.3训练声码器 (可选)
对效果影响不大，已经预置3款，如果希望自己训练可以参考以下命令。
- 预处理数据:
python vocoder_preprocess.py <datasets_root> -m <synthesizer_model_path>
<datasets_root>替换为你的数据集目录，<synthesizer_model_path>替换为一个你最好的synthesizer模型目录，例如 sythensizer\saved_mode\xxx
- 训练wavernn声码器:
python vocoder_train.py <trainid> <datasets_root>
<trainid>替换为你想要的标识，同一标识再次训练时会延续原模型
- 训练hifigan声码器:
python vocoder_train.py <trainid> <datasets_root> hifigan
<trainid>替换为你想要的标识，同一标识再次训练时会延续原模型
3. 启动程序或工具箱
您可以尝试使用以下命令：
3.1 启动Web程序：
python web.py
运行成功后在浏览器打开地址, 默认为 http://localhost:8080
注：目前界面比较buggy,
- 第一次点击
录制要等待几秒浏览器正常启动录音，否则会有重音- 录制结束不要再点
录制而是停止- 仅支持手动新录音（16khz）, 不支持超过4MB的录音，最佳长度在5~15秒
- 默认使用第一个找到的模型，有动手能力的可以看代码修改
web\__init__.py。
3.2 启动工具箱：
python demo_toolbox.py -d <datasets_root>
请指定一个可用的数据集文件路径，如果有支持的数据集则会自动加载供调试，也同时会作为手动录制音频的存储目录。
文件结构（目标读者：开发者）
├─archived_untest_files 废弃文件
├─encoder encoder模型
│ ├─data_objects
│ └─saved_models 预训练好的模型
├─samples 样例语音
├─synthesizer synthesizer模型
│ ├─models
│ ├─saved_models 预训练好的模型
│ └─utils 工具类库
├─toolbox 图形化工具箱
├─utils 工具类库
├─vocoder vocoder模型（目前包含hifi-gan、wavrnn）
│ ├─hifigan
│ ├─saved_models 预训练好的模型
│ └─wavernn
└─web
├─api
│ └─Web端接口
├─config
│ └─ Web端配置文件
├─static 前端静态脚本
│ └─js
├─templates 前端模板
└─__init__.py Web端入口文件
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 |
|---|---|---|---|
| 1803.09017 | GlobalStyleToken (synthesizer) | Style Tokens: Unsupervised Style Modeling, Control and Transfer in End-to-End Speech Synthesis | 本代码库 |
| 2010.05646 | HiFi-GAN (vocoder) | Generative Adversarial Networks for Efficient and High Fidelity Speech Synthesis | 本代码库 |
| 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 |
常見問題(FQ&A)
1.數據集哪裡下載?
| 数据集 | OpenSLR地址 | 其他源 (Google Drive, Baidu网盘等) |
|---|---|---|
| aidatatang_200zh | OpenSLR | Google Drive |
| magicdata | OpenSLR | Google Drive (Dev set) |
| aishell3 | OpenSLR | Google Drive |
| data_aishell | OpenSLR |
解壓 aidatatang_200zh 後，還需將
aidatatang_200zh\corpus\train下的檔案全選解壓縮
2.<datasets_root>是什麼意思?
假如數據集路徑為 D:\data\aidatatang_200zh，那麼 <datasets_root>就是 D:\data
3.訓練模型顯存不足
訓練合成器時：將 synthesizer/hparams.py中的batch_size參數調小
//調整前
tts_schedule = [(2, 1e-3, 20_000, 12), # Progressive training schedule
(2, 5e-4, 40_000, 12), # (r, lr, step, batch_size)
(2, 2e-4, 80_000, 12), #
(2, 1e-4, 160_000, 12), # r = reduction factor (# of mel frames
(2, 3e-5, 320_000, 12), # synthesized for each decoder iteration)
(2, 1e-5, 640_000, 12)], # lr = learning rate
//調整後
tts_schedule = [(2, 1e-3, 20_000, 8), # Progressive training schedule
(2, 5e-4, 40_000, 8), # (r, lr, step, batch_size)
(2, 2e-4, 80_000, 8), #
(2, 1e-4, 160_000, 8), # r = reduction factor (# of mel frames
(2, 3e-5, 320_000, 8), # synthesized for each decoder iteration)
(2, 1e-5, 640_000, 8)], # lr = learning rate
聲碼器-預處理數據集時：將 synthesizer/hparams.py中的batch_size參數調小
//調整前
### Data Preprocessing
max_mel_frames = 900,
rescale = True,
rescaling_max = 0.9,
synthesis_batch_size = 16, # For vocoder preprocessing and inference.
//調整後
### Data Preprocessing
max_mel_frames = 900,
rescale = True,
rescaling_max = 0.9,
synthesis_batch_size = 8, # For vocoder preprocessing and inference.
聲碼器-訓練聲碼器時：將 vocoder/wavernn/hparams.py中的batch_size參數調小
//調整前
# Training
voc_batch_size = 100
voc_lr = 1e-4
voc_gen_at_checkpoint = 5
voc_pad = 2
//調整後
# Training
voc_batch_size = 6
voc_lr = 1e-4
voc_gen_at_checkpoint = 5
voc_pad =2
4.碰到RuntimeError: Error(s) in loading state_dict for Tacotron: size mismatch for encoder.embedding.weight: copying a param with shape torch.Size([70, 512]) from checkpoint, the shape in current model is torch.Size([75, 512]).
請參照 issue #37
5.如何改善CPU、GPU佔用率?
適情況調整batch_size參數來改善
6.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
7.什么时候算训练完成？
首先一定要出现注意力模型，其次是loss足够低，取决于硬件设备和数据集。拿本人的供参考，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
