VITS Pytorch
1.0.0
ภาษาจีนง่ายๆ | ภาษาอังกฤษ
โครงการนี้เป็นโครงการสังเคราะห์คำพูดที่ใช้ Pytorch โดยใช้ VITS VITS (การอนุมานการแปรปรวนกับการเรียนรู้ที่เป็นปฏิปักษ์สำหรับการพูดแบบ text-to-to-speech) เป็นวิธีการสังเคราะห์คำพูด โมเดลแบบ end-to-end นี้ใช้งานง่ายมากและไม่ต้องการกระบวนการที่ซับซ้อนเกินไปเช่นการจัดตำแหน่งข้อความ ได้รับการฝึกฝนโดยตรงและสร้างด้วยคลิกเดียวซึ่งจะช่วยลดเกณฑ์การเรียนรู้ได้อย่างมาก
ทุกคนยินดีที่จะสแกนรหัสเพื่อเข้าสู่ Planet หรือกลุ่ม QQ เพื่อหารือ ความรู้ Planet จัดเตรียมไฟล์โมเดลโครงการและโครงการอื่น ๆ ที่เกี่ยวข้องกับโครงการรวมถึงทรัพยากรอื่น ๆ
| ชุดข้อมูล | ภาษา (ภาษาถิ่น) | จำนวนลำโพง | ชื่อลำโพง | ดาวน์โหลดที่อยู่ |
|---|---|---|---|---|
| bznsyp | ภาษาจีนกลาง | 1 | เสียงหญิงมาตรฐาน | คลิกเพื่อดาวน์โหลด |
| ชุดข้อมูลกวางตุ้ง | กวางตุ้ง | 10 | เสียงชาย 1 สาว ๆ 1 - | คลิกเพื่อดาวน์โหลด |
conda install pytorch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1 pytorch-cuda=11.6 -c pytorch -c nvidiaใช้ PIP เพื่อติดตั้งคำสั่งดังนี้:
python -m pip install mvits -U -i https://pypi.tuna.tsinghua.edu.cn/simpleขอแนะนำให้ติดตั้งซอร์สโค้ด ซึ่งสามารถมั่นใจได้ว่าการใช้รหัสล่าสุด
git clone https://github.com/yeyupiaoling/VITS-Pytorch.git
cd VITS-Pytorch/
pip install . โครงการสนับสนุนการสร้างข้อมูลโดยตรงของ BZNSYP และ AISHELL3 การใช้ BZNSYP เป็นตัวอย่างดาวน์โหลด BZNSYP ไปยังไดเรกทอรี dataset และการคลายการบีบอัด จากนั้นเรียกใช้โปรแกรม create_list.py และสร้างตารางข้อมูลในรูปแบบต่อไปนี้รูปแบบคือ <音频路径>|<说话人名称>|<标注数据> โปรดทราบว่าข้อมูลการติดฉลากต้องใช้ภาษาการติดฉลาก ตัวอย่างเช่นในภาษาจีนกลางคุณต้องห่อข้อความใน [ZH] ภาษาอื่น ๆ สนับสนุนภาษาญี่ปุ่น: [JA] , ภาษาอังกฤษ: [en], 한국어: [ko] ชุดข้อมูลที่กำหนดเองสามารถสร้างได้ในรูปแบบนี้
โครงการมีวิธีการประมวลผลข้อความสองวิธีวิธีการประมวลผลข้อความที่แตกต่างกันและรองรับภาษาที่แตกต่างกันคือ cjke_cleaners2 และ chinese_dialect_cleaners การกำหนดค่านี้ได้รับการแก้ไขบน dataset_conf.text_cleaner cjke_cleaners2 สนับสนุนภาษา {"普通话": "[ZH]", "日本語": "[JA]", "English": "[EN]", "한국어": "[KO]"} {"普通话": "[ZH]", "日本語": "[JA]", "English": "[EN]", "粤语": "[GD]", "上海话": "[SH]", "苏州话": "[SZ]", "无锡话": "[WX]", "常州话": "[CZ]", "杭州话": "[HZ]", ·····} chinese_dialect_cleaners สนับสนุนภาษา {"แมนดาริน" {"普通话": "[ZH]", "日本語": "[JA]", "English": "[EN]", "粤语": "[GD]", "上海话": "[SH]", "苏州话": "[SZ]", "无锡话": "[WX]", "常州话": "[CZ]", "杭州话": "[HZ]", ·····}
dataset/BZNSYP/Wave/000001.wav|标准女声|[ZH]卡尔普陪外孙玩滑梯。[ZH]
dataset/BZNSYP/Wave/000002.wav|标准女声|[ZH]假语村言别再拥抱我。[ZH]
dataset/BZNSYP/Wave/000003.wav|标准女声|[ZH]宝马配挂跛骡鞍，貂蝉怨枕董翁榻。[ZH]
หลังจากมีรายการข้อมูลคุณต้องสร้างรายการข้อมูล Phoneme เพียงดำเนินการ preprocess_data.py --train_data_list=dataset/bznsyp.txt เพื่อสร้างรายการข้อมูล Phoneme ณ จุดนี้ข้อมูลพร้อมทั้งหมด
dataset/BZNSYP/Wave/000001.wav|0|kʰa↓↑əɹ`↓↑pʰu↓↑ pʰeɪ↑ waɪ↓swən→ wan↑ xwa↑tʰi→.
dataset/BZNSYP/Wave/000002.wav|0|tʃ⁼ja↓↑ɥ↓↑ tsʰwən→jɛn↑p⁼iɛ↑ ts⁼aɪ↓ jʊŋ→p⁼ɑʊ↓ wo↓↑.
dataset/BZNSYP/Wave/000003.wav|0|p⁼ɑʊ↓↑ma↓↑ pʰeɪ↓k⁼wa↓ p⁼wo↓↑ lwo↑an→, t⁼iɑʊ→ts`ʰan↑ ɥæn↓ ts`⁼ən↓↑ t⁼ʊŋ↓↑ʊŋ→ tʰa↓.
ตอนนี้คุณสามารถเริ่มฝึกอบรมแบบจำลอง พารามิเตอร์ในไฟล์การกำหนดค่าโดยทั่วไปไม่จำเป็นต้องแก้ไข จำนวนลำโพงและชื่อของลำโพงจะถูกแก้ไขโดย preprocess_data.py สิ่งเดียวที่อาจต้องแก้ไขคือ train.batch_size หากหน่วยความจำวิดีโอไม่เพียงพอพารามิเตอร์นี้สามารถลดลงได้
# 单卡训练
CUDA_VISIBLE_DEVICES=0 python train.py
# 多卡训练
CUDA_VISIBLE_DEVICES=0,1 torchrun --standalone --nnodes=1 --nproc_per_node=2 train.pyบันทึกเอาท์พุทการฝึกอบรม:
[2023-08-28 21:04:42.274452 INFO ] utils:print_arguments:123 - ----------- 额外配置参数 -----------
[2023-08-28 21:04:42.274540 INFO ] utils:print_arguments:125 - config: configs/config.yml
[2023-08-28 21:04:42.274580 INFO ] utils:print_arguments:125 - epochs: 10000
[2023-08-28 21:04:42.274658 INFO ] utils:print_arguments:125 - model_dir: models
[2023-08-28 21:04:42.274702 INFO ] utils:print_arguments:125 - pretrained_model: None
[2023-08-28 21:04:42.274746 INFO ] utils:print_arguments:125 - resume_model: None
[2023-08-28 21:04:42.274788 INFO ] utils:print_arguments:126 - ------------------------------------------------
[2023-08-28 21:04:42.727728 INFO ] utils:print_arguments:128 - ----------- 配置文件参数 -----------
[2023-08-28 21:04:42.727836 INFO ] utils:print_arguments:131 - dataset_conf:
[2023-08-28 21:04:42.727909 INFO ] utils:print_arguments:138 - add_blank: True
[2023-08-28 21:04:42.727975 INFO ] utils:print_arguments:138 - batch_size: 16
[2023-08-28 21:04:42.728037 INFO ] utils:print_arguments:138 - cleaned_text: True
[2023-08-28 21:04:42.728097 INFO ] utils:print_arguments:138 - eval_sum: 2
[2023-08-28 21:04:42.728157 INFO ] utils:print_arguments:138 - filter_length: 1024
[2023-08-28 21:04:42.728204 INFO ] utils:print_arguments:138 - hop_length: 256
[2023-08-28 21:04:42.728235 INFO ] utils:print_arguments:138 - max_wav_value: 32768.0
[2023-08-28 21:04:42.728266 INFO ] utils:print_arguments:138 - mel_fmax: None
[2023-08-28 21:04:42.728298 INFO ] utils:print_arguments:138 - mel_fmin: 0.0
[2023-08-28 21:04:42.728328 INFO ] utils:print_arguments:138 - n_mel_channels: 80
[2023-08-28 21:04:42.728359 INFO ] utils:print_arguments:138 - num_workers: 4
[2023-08-28 21:04:42.728388 INFO ] utils:print_arguments:138 - sampling_rate: 22050
[2023-08-28 21:04:42.728418 INFO ] utils:print_arguments:138 - speakers_file: dataset/speakers.json
[2023-08-28 21:04:42.728448 INFO ] utils:print_arguments:138 - text_cleaner: cjke_cleaners2
[2023-08-28 21:04:42.728483 INFO ] utils:print_arguments:138 - training_file: dataset/train.txt
[2023-08-28 21:04:42.728539 INFO ] utils:print_arguments:138 - validation_file: dataset/val.txt
[2023-08-28 21:04:42.728585 INFO ] utils:print_arguments:138 - win_length: 1024
[2023-08-28 21:04:42.728615 INFO ] utils:print_arguments:131 - model:
[2023-08-28 21:04:42.728648 INFO ] utils:print_arguments:138 - filter_channels: 768
[2023-08-28 21:04:42.728685 INFO ] utils:print_arguments:138 - gin_channels: 256
[2023-08-28 21:04:42.728717 INFO ] utils:print_arguments:138 - hidden_channels: 192
[2023-08-28 21:04:42.728747 INFO ] utils:print_arguments:138 - inter_channels: 192
[2023-08-28 21:04:42.728777 INFO ] utils:print_arguments:138 - kernel_size: 3
[2023-08-28 21:04:42.728808 INFO ] utils:print_arguments:138 - n_heads: 2
[2023-08-28 21:04:42.728839 INFO ] utils:print_arguments:138 - n_layers: 6
[2023-08-28 21:04:42.728870 INFO ] utils:print_arguments:138 - n_layers_q: 3
[2023-08-28 21:04:42.728902 INFO ] utils:print_arguments:138 - p_dropout: 0.1
[2023-08-28 21:04:42.728933 INFO ] utils:print_arguments:138 - resblock: 1
[2023-08-28 21:04:42.728965 INFO ] utils:print_arguments:138 - resblock_dilation_sizes: [[1, 3, 5], [1, 3, 5], [1, 3, 5]]
[2023-08-28 21:04:42.728997 INFO ] utils:print_arguments:138 - resblock_kernel_sizes: [3, 7, 11]
[2023-08-28 21:04:42.729027 INFO ] utils:print_arguments:138 - upsample_initial_channel: 512
[2023-08-28 21:04:42.729058 INFO ] utils:print_arguments:138 - upsample_kernel_sizes: [16, 16, 4, 4]
[2023-08-28 21:04:42.729089 INFO ] utils:print_arguments:138 - upsample_rates: [8, 8, 2, 2]
[2023-08-28 21:04:42.729119 INFO ] utils:print_arguments:138 - use_spectral_norm: False
[2023-08-28 21:04:42.729150 INFO ] utils:print_arguments:131 - optimizer_conf:
[2023-08-28 21:04:42.729184 INFO ] utils:print_arguments:138 - betas: [0.8, 0.99]
[2023-08-28 21:04:42.729217 INFO ] utils:print_arguments:138 - eps: 1e-09
[2023-08-28 21:04:42.729249 INFO ] utils:print_arguments:138 - learning_rate: 0.0002
[2023-08-28 21:04:42.729280 INFO ] utils:print_arguments:138 - optimizer: AdamW
[2023-08-28 21:04:42.729311 INFO ] utils:print_arguments:138 - scheduler: ExponentialLR
[2023-08-28 21:04:42.729341 INFO ] utils:print_arguments:134 - scheduler_args:
[2023-08-28 21:04:42.729373 INFO ] utils:print_arguments:136 - gamma: 0.999875
[2023-08-28 21:04:42.729404 INFO ] utils:print_arguments:131 - train_conf:
[2023-08-28 21:04:42.729437 INFO ] utils:print_arguments:138 - c_kl: 1.0
[2023-08-28 21:04:42.729467 INFO ] utils:print_arguments:138 - c_mel: 45
[2023-08-28 21:04:42.729498 INFO ] utils:print_arguments:138 - enable_amp: True
[2023-08-28 21:04:42.729530 INFO ] utils:print_arguments:138 - log_interval: 200
[2023-08-28 21:04:42.729561 INFO ] utils:print_arguments:138 - seed: 1234
[2023-08-28 21:04:42.729592 INFO ] utils:print_arguments:138 - segment_size: 8192
[2023-08-28 21:04:42.729622 INFO ] utils:print_arguments:141 - ------------------------------------------------
[2023-08-28 21:04:42.729971 INFO ] trainer:__init__:53 - [cjke_cleaners2]支持语言：['日本語', '普通话', 'English', '한국어', "Mix": ""]
[2023-08-28 21:04:42.795955 INFO ] trainer:__setup_dataloader:119 - 训练数据：9984
epoch [1/10000]: 100%|██████████| 619/619 [05:30<00:00, 1.88it/s]]
[2023-08-25 16:44:25.205557 INFO ] trainer:train:168 - ======================================================================
epoch [2/10000]: 100%|██████████| 619/619 [05:20<00:00, 1.93it/s]s]
[2023-08-25 16:49:54.372718 INFO ] trainer:train:168 - ======================================================================
epoch [3/10000]: 100%|██████████| 619/619 [05:19<00:00, 1.94it/s]
[2023-08-25 16:55:21.277194 INFO ] trainer:train:168 - ======================================================================
epoch [4/10000]: 100%|██████████| 619/619 [05:18<00:00, 1.94it/s]
บันทึกการฝึกอบรมจะถูกบันทึกโดยใช้ VisualDl คุณสามารถใช้เครื่องมือนี้เพื่อดูการเปลี่ยนแปลงการสูญเสียและผลการสังเคราะห์แบบเรียลไทม์ เพียงดำเนินการ visualdl --logdir=log/ --host=0.0.0.0 ในไดเรกทอรีรูทของโครงการและเยี่ยมชม http://<IP地址>:8040 เพื่อเปิดหน้า เอฟเฟกต์มีดังนี้
หลังจากการฝึกอบรมในระดับหนึ่งคุณสามารถเริ่มใช้แบบจำลองสำหรับการออกเสียง คำสั่งมีดังนี้ มีสามพารามิเตอร์หลักคือ --text ระบุข้อความที่ต้องสังเคราะห์ --language ระบุภาษาของข้อความคอมโพสิต หากภาษาถูกระบุเป็น Mix มันจะอยู่ในโหมดผสม ผู้ใช้จำเป็นต้องห่อข้อความรายได้ด้วยแท็กภาษาด้วยตนเอง ในที่สุดระบุพารามิเตอร์ของลำโพง --spk ไปลองอย่างรวดเร็ว
python infer.py --text= "你好，我是智能语音助手。 " --language=普通话 --spk=标准女声ให้รางวัลหนึ่งดอลลาร์เพื่อสนับสนุนผู้เขียน
