没有AI歌手一键包,纯纯的算法项目

项目地址:

https://github.com/PlayVoice/so-vits-svc-5.0

来源丨元语音技术

没有AI歌手一键包,纯纯的算法项目_第1张图片

  • 本项目的目标群体是:深度学习初学者,具备Pyhon和PyTorch的基本操作是使用本项目的前置条件;

  • 本项目旨在帮助深度学习初学者,摆脱枯燥的纯理论学习,通过与实践结合,熟练掌握深度学习基本知识;

  • 本项目不支持实时变声;(也许以后会支持,但要替换掉whisper)

  • 本项目不会开发用于其他用途的一键包。(不会指没学会)

没有AI歌手一键包,纯纯的算法项目_第2张图片

  • 【低 配置】6G显存可训练

  • 【无 泄漏】支持多发音人

  • 【带 伴奏】也能进行转换,轻度伴奏

模型和日志:

https://github.com/PlayVoice/so-vits-svc-5.0/releases/tag/v5.3

  • 5.0.epoch1200.full.pth模型包括:生成器+判别器=176M,可用作预训练模型;

  • 发音人(56个)文件在configs/singers目录中,可进行推理测试,尤其测试音色泄露;

  • 发音人22,30,47,51辨识度较高,音频样本在configs/singers_sample目录中。

没有AI歌手一键包,纯纯的算法项目_第3张图片

GRL去音色泄漏,更多的是理论上的价值;Hugging Face Demo推理模型无泄漏主要归因于PPG扰动;由于使用了数据扰动,相比其他项目需要更长的训练时间。

数据集准备

没有AI歌手一键包,纯纯的算法项目_第4张图片

必要的前处理:

  • 1 降噪&去伴奏

  • 2 频率提升

  • 3 音质提升,基于https://github.com/openvpi/vocoders ,待整合

  • 4 将音频剪裁为小于30秒的音频段,whisper的要求

然后以下面文件结构将数据集放入dataset_raw目录

dataset_raw
├───speaker0
│   ├───xxx1-xxx1.wav
│   ├───...
│   └───Lxx-0xx8.wav
└───speaker1
    ├───xx2-0xxx2.wav
    ├───...
    └───xxx7-xxx007.wav

安装依赖

  1. 软件依赖

    pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt

  2. 下载音色编码器: Speaker-Encoder by @mueller91, 解压文件,把 best_model.pth.tar 放到目录 speaker_pretrain/

  3. 下载whisper模型 multiple language medium model, 确定下载的是medium.pt,把它放到文件夹 whisper_pretrain/

数据预处理

  1. 设置工作目录

    export PYTHONPATH=$PWD

  2. 重采样

    生成采样率16000Hz音频, 存储路径为:./data_svc/waves-16k

         python prepare/preprocess_a.py -w ./data_raw -o ./data_svc/waves-16k -s 16000

    生成采样率32000Hz音频, 存储路径为:./data_svc/waves-32k

         python prepare/preprocess_a.py -w ./data_raw -o ./data_svc/waves-32k -s 32000

    可选的16000Hz提升到32000Hz,待完善~批处理

         python bandex/inference.py -w svc_out.wav

  3. 使用16K音频,提取音高

    python prepare/preprocess_f0.py -w data_svc/waves-16k/ -p data_svc/pitch

  4. 使用16k音频,提取内容编码

    python prepare/preprocess_ppg.py -w data_svc/waves-16k/ -p data_svc/whisper

  5. 使用16k音频,提取音色编码

    python prepare/preprocess_speaker.py data_svc/waves-16k/ data_svc/speaker

  6. 使用32k音频,提取线性谱

    python prepare/preprocess_spec.py -w data_svc/waves-32k/ -s data_svc/specs

  7. 使用32k音频,生成训练索引

    python prepare/preprocess_train.py

  8. 训练文件调试

    python prepare/preprocess_zzz.py

训练

  1. 如果基于预训练模型微调,需要下载预训练模型5.0.epoch1200.full.pth

    指定configs/base.yaml参数pretrain: "",并适当调小学习率

  2. 设置工作目录

    export PYTHONPATH=$PWD

  3. 启动训练

    python svc_trainer.py -c configs/base.yaml -n sovits5.0

  4. 恢复训练

    python svc_trainer.py -c configs/base.yaml -n sovits5.0 -p chkpt/sovits5.0/***.pth

  5. 查看日志,release页面有完整的训练日志

    tensorboard --logdir logs/

没有AI歌手一键包,纯纯的算法项目_第5张图片

没有AI歌手一键包,纯纯的算法项目_第6张图片

推理

  1. 设置工作目录

    export PYTHONPATH=$PWD

  2. 导出推理模型:文本编码器,Flow网络,Decoder网络;判别器和后验编码器只在训练中使用

    python svc_export.py --config configs/base.yaml --checkpoint_path chkpt/sovits5.0/***.pt

  3. 使用whisper提取内容编码,没有采用一键推理,为了降低显存占用

    python whisper/inference.py -w test.wav -p test.ppg.npy

    生成test.ppg.npy;如果下一步没有指定ppg文件,则调用程序自动生成

  4. 提取csv文本格式F0参数,Excel打开csv文件,对照Audition或者SonicVisualiser手动修改错误的F0

    python pitch/inference.py -w test.wav -p test.csv

    没有AI歌手一键包,纯纯的算法项目_第7张图片

  5. 指定参数,推理

python svc_inference.py --config configs/base.yaml --model sovits5.0.pth --spk ./configs/singers/singer0001.npy --wave test.wav --ppg test.ppg.npy --pit test.csv

当指定--ppg后,多次推理同一个音频时,可以避免重复提取音频内容编码;没有指定,也会自动提取;

当指定--pit后,可以加载手工调教的F0参数;没有指定,也会自动提取;

生成文件在当前目录svc_out.wav;

args --config --model --spk --wave --ppg --pit
name 配置文件 模型文件 音色文件 音频文件 音频内容 音高内容

数据集

Name URL
KiSing http://shijt.site/index.php/2021/05/16/kising-the-first-open-source-mandarin-singing-voice-synthesis-corpus/
PopCS https://github.com/MoonInTheRiver/DiffSinger/blob/master/resources/apply_form.md
opencpop https://wenet.org.cn/opencpop/download/
Multi-Singer https://github.com/Multi-Singer/Multi-Singer.github.io
M4Singer https://github.com/M4Singer/M4Singer/blob/master/apply_form.md
CSD https://zenodo.org/record/4785016#.YxqrTbaOMU4
KSS https://www.kaggle.com/datasets/bryanpark/korean-single-speaker-speech-dataset
JVS MuSic https://sites.google.com/site/shinnosuketakamichi/research-topics/jvs_music
PJS https://sites.google.com/site/shinnosuketakamichi/research-topics/pjs_corpus
JUST Song https://sites.google.com/site/shinnosuketakamichi/publication/jsut-song
MUSDB18 https://sigsep.github.io/datasets/musdb.html#musdb18-compressed-stems
DSD100 https://sigsep.github.io/datasets/dsd100.html
Aishell-3 http://www.aishelltech.com/aishell_3
VCTK https://datashare.ed.ac.uk/handle/10283/2651

代码来源和参考文献

  • https://github.com/facebookresearch/speech-resynthesis paper

  • https://github.com/jaywalnut310/vits paper

  • https://github.com/openai/whisper/ paper

  • https://github.com/NVIDIA/BigVGAN paper

  • https://github.com/mindslab-ai/univnet paper

  • https://github.com/nii-yamagishilab/project-NN-Pytorch-scripts/tree/master/project/01-nsf

  • https://github.com/brentspell/hifi-gan-bwe

  • https://github.com/mozilla/TTS

  • https://github.com/OlaWod/FreeVC paper

  • SNAC : Speaker-normalized Affine Coupling Layer in Flow-based Architecture for Zero-Shot Multi-Speaker Text-to-Speech

  • Adapter-Based Extension of Multi-Speaker Text-to-Speech Model for New Speakers

  • AdaSpeech: Adaptive Text to Speech for Custom Voice

  • Cross-Speaker Prosody Transfer on Any Text for Expressive Speech Synthesis

  • Learn to Sing by Listening: Building Controllable Virtual Singer by Unsupervised Learning from Voice Recordings

  • Adversarial Speaker Disentanglement Using Unannotated External Data for Self-supervised Representation Based Voice Conversion

  • Speaker normalization (GRL) for self-supervised speech emotion recognition

基于数据扰动防止音色泄露的方法

  • https://github.com/auspicious3000/contentvec/blob/main/contentvec/data/audio/audio_utils_1.py

  • https://github.com/revsic/torch-nansy/blob/main/utils/augment/praat.py

  • https://github.com/revsic/torch-nansy/blob/main/utils/augment/peq.py

  • https://github.com/biggytruck/SpeechSplit2/blob/main/utils.py

  • https://github.com/OlaWod/FreeVC/blob/main/preprocess_sr.py

你可能感兴趣的:(智能语音,人工智能,算法,python)