One Click VITS Training

• بنقرة واحدة-تدريب

تتيح لك هذه الأداة إكمال عملية FITs بأكملها (المعالجة المسبقة للبيانات + Whisper ASR + Text Preprocessing + Modification Config.json + التدريب ، الاستدلال) بنقرة واحدة!

جدول المحتويات

• بناء
• المتطلبات الأساسية
• تثبيت
• تحضير _datasets
• الاستخدام
• الاستدلال
• التغييرات
• مراجع

بناء

المتطلبات الأساسية

• نظام Windows/Linux مع ذاكرة الوصول العشوائي على الأقل 16GB .
• وحدة معالجة الرسومات مع ما لا يقل عن 12GB من VRAM.
• بيثون == 3.8
• أناكوندا مثبتة.
• Pytorch مثبتة.
• CUDA 11.x مثبت.
• Zlib DLL مثبت.

أمر تثبيت Pytorch:

pip install torch==1.13.1+cu117 torchvision==0.14.1+cu117 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu117

CUDA 11.7 تثبيت: https://developer.nvidia.com/cuda-11-7-0-download-archive

Zlib DLL تثبيت: https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#install-zlib-windows

تثبيت pyopenjtalk يدويًا: pip install -U pyopenjtalk --no-build-isolation

---

تثبيت

1. إنشاء بيئة أناكوندا:

conda create -n one-click-vits python=3.8

2. تنشيط البيئة:

conda activate one-click-vits

3. استنساخ هذا المستودع إلى جهازك المحلي:

git clone https://github.com/ORI-Muchim/One-Click-VITS-Training.git

4. انتقل إلى الدليل المستنسخ:

 cd One-Click-VITS-Training

5. تثبيت التبعيات اللازمة:

pip install -r requirements.txt

---

تحضير _datasets

ضع ملفات الصوت على النحو التالي.

.MP3 أو .WAV Files على ما يرام.

 One-Click-VITS-Training
├────datasets
│       ├───speaker0
│       │   ├────1.mp3
│       │   └────1.wav
│       └───speaker1
│       │    ├───1.mp3
│       │    └───1.wav
│       ├integral.py
│       └integral_low.py
│
├────vits
├────inference.py
├────main_low.py
├────main_resume.py
├────main.py
├────Readme.md
└────requirements.txt

هذا مجرد مثال ، ولا بأس في إضافة المزيد من مكبرات الصوت.

---

الاستخدام

لبدء هذه الأداة ، استخدم الأمر التالي ، استبدال {language} ، {model_name} ، و {sample_rate} مع قيم كل منهما ({اللغة: ko ، ja ، en ، zh} / {sample_rate: 22050 /44100}):

python main.py {language} {model_name} {sample_rate}

بالنسبة لأولئك الذين لديهم مواصفات منخفضة (VRAM <12 جيجابايت) ، يرجى استخدام هذا الرمز:

python main_low.py {language} {model_name} {sample_rate}

إذا اكتمل تكوين البيانات وتريد استئناف التدريب ، أدخل هذا الرمز:

python main_resume.py {model_name}

---

الاستدلال

بعد تدريب النموذج ، يمكنك إنشاء تنبؤات باستخدام الأمر التالي ، واستبدال {model_name} و {model_step} مع قيم كل منهما:

python inference.py {model_name} {model_step}

أو تحقق ./vits/inference.ipynb.

إذا كنت ترغب في تغيير النص المثال المستخدم في المرجع ، فقم بتعديل ./vits/inferencems.py جزء text .

---

التغييرات

في مستودع cjangcjengh/vits ، قمت ببعض التعديلات على طريقة تنظيف النص الكورية. عملية التنظيف الأخرى هي نفسها من خلال نشرها إلى مستودع Cjangcjengh ، ولكن تم تعديل الملف الأنظف باستخدام مكتبة Tenebo/G2PK2 كما هو واضح.

---

مراجع

لمزيد من المعلومات ، يرجى الرجوع إلى المستودعات التالية:

• Jaywalnut310/vits
• cjangcjengh/vits
• Kyubyong/G2PK
• Tenebo/G2PK2
• Henrymass/Audioslicer