Загрузка One Click VITS Training - Загрузка исходного кода One Click VITS Training

One Click VITS Training

AI Исходный код

1.0.0

Скачать

ОДИН КЛИК-ВИТС

Этот инструмент позволяет вам завершить весь процесс VIT (предварительная обработка данных + Whisper ASR + Текстовая предварительная обработка + модификация config.json + обучение, вывод) с одним щелчком!

Структура

Выбор вывода

Предварительные условия

Система Windows/Linux с минимум 16GB оперативной памяти.
Графический процессор с не менее 12GB VRAM.
Python == 3.8
Анаконда установлена.
Pytorch установлен.
Cuda 11.x установлен.
Zlib DLL установлен.

Команда установки 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 Установка: https://developer.nvidia.com/cuda-11-7-0-download-archive

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

Установите Pyopenjtalk вручную: pip install -U pyopenjtalk --no-build-isolation

Установка

Создайте среду Anaconda:

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

Активируйте окружающую среду:

conda activate one-click-vits

Клонировать это хранилище в местной машине:

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

Перейдите к клонированному каталогу:

 cd One-Click-VITS-Training

Установите необходимые зависимости:

pip install -r requirements.txt

Prepare_datasets

Поместите аудиофайлы следующим образом.

.mp3 или .wav файлы в порядке.

 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

Это всего лишь пример, и можно добавить больше динамиков.

Использование

Чтобы запустить этот инструмент, используйте следующую команду, заменив {language}, {model_name} и {sample_rate} на ваши соответствующие значения ({язык: ko, ja, en, zh} / {sample_rate: 22050 /44100}):

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

Для тех, у кого низкие спецификации (VRAM <12GB), используйте этот код:

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

Если конфигурация данных завершена, и вы хотите возобновить обучение, введите этот код:

python main_resume.py {model_name}

Вывод

После обучения модели вы можете генерировать прогнозы, используя следующую команду, заменив {model_name} и {model_step} с вашими соответствующими значениями:

python inference.py {model_name} {model_step}

Или проверить ./vits/infere.ipynb.

Если вы хотите изменить пример текста, используемый в ссылке, измените text часть ./vits/inferencems.py .

Изменения

В репозитории Cjangcjengh/Vits я внес некоторые изменения в корейский метод очистки текста. Другой процесс очистки одинаковы, опубликовав его в репозиторий Cjangcjengh, но файл более чистоты был изменен с использованием библиотеки Tenebo/G2PK2 в качестве корейского.