AI拟声: 5秒内克隆您的声音并生成任意语音内容

特征

 中文支持普通话并测试了多个数据集:aidatatang_200zh、magicdata、aishell3、data_aishell等。

 PyTorch为 pytorch 工作,在 1.9.0 版本中测试(最新于 2021 年 8 月),GPU Tesla T4 和 GTX 2060

 Windows + Linux在 Windows 操作系统和 linux 操作系统中运行(甚至在 M1 MACOS 中)

 通过重用预训练的编码器/声码器,只需新训练的合成器即可获得简单而令人敬畏的效果

 网络服务器准备好通过远程调用为您提供结果

进行中的工作

  • GUI/客户端大升级与合并 [X] 初始化框架 ./mkgui (基于streamlit + fastapi)和 技术设计 [X] 增加 Voice Cloning and Conversion的演示页面 [X] 增加Voice Conversion的预处理preprocessing 和训练 training 页面 [ ] 增加其他的的预处理preprocessing 和训练 training 页面
  • 模型后端基于ESPnet2升级

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。 运行工具箱(demo_toolbox.py)需要 Python 3.7 或更高版本 。

  • 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:

2.1 使用数据集自己训练encoder模型 (可选)

  • 进行音频和梅尔频谱图预处理: python encoder_preprocess.py  使用-d {dataset} 指定数据集,支持 librispeech_other,voxceleb1,aidatatang_200zh,使用逗号分割处理多数据集。
  • 训练encoder: python encoder_train.py my_run /SV2TTS/encoder

训练encoder使用了visdom。你可以加上-no_visdom禁用visdom,但是有可视化会更好。在单独的命令行/进程中运行"visdom"来启动visdom服务器。

2.2 使用数据集自己训练合成器模型(与2.3二选一)

  • 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 -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 /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。

2.3使用社区预先训练好的合成器(与2.2二选一)

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 百度网盘 请输入提取码 百度盘链接 4j5d 75k steps 用3个开源数据集混合训练
作者 百度网盘 请输入提取码 百度盘链接 提取码:om7f 25k steps 用3个开源数据集混合训练, 切换到tag v0.0.1使用
@FawenYo https://drive.google.com/file/d/1H-YGOUHpmqKxJ9FRc6vAjPuqQki24UbC/view?usp=sharing 百度盘链接 提取码:1024 输入 输出 200k steps 台湾口音需切换到tag v0.0.1使用
@miven 百度网盘 请输入提取码 提取码:2021 AI声音模仿,5秒钟克隆你的语音_哔哩哔哩_bilibili 150k steps 注意:根据issue修复 并切换到tag v0.0.1使用

2.4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 -m

替换为你的数据集目录,替换为一个你最好的synthesizer模型目录,例如 sythensizer\saved_models\xxx

  • 训练wavernn声码器: python vocoder_train.py

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 hifigan

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fregan声码器: python vocoder_train.py --config config.json fregan

替换为你想要的标识,同一标识再次训练时会延续原模型

  • 将GAN声码器的训练切换为多GPU模式:修改GAN文件夹下.json文件中的"num_gpus"参数

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(v2):

python web.py 运行成功后在浏览器打开地址, 默认为 http://localhost:8080

  • 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

3.2 启动工具箱:

python demo_toolbox.py -d

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。

4. 番外:语音转换Voice Conversion(PPG based)

想像柯南拿着变声器然后发出毛利小五郎的声音吗?本项目现基于PPG-VC,引入额外两个模块(PPG extractor + PPG2Mel), 可以实现变声功能。(文档不全,尤其是训练部分,正在努力补充中)

4.0 准备环境

  • 确保项目以上环境已经安装ok,运行pip install espnet 来安装剩余的必要包。
  • 下载以下模型 链接:百度网盘 请输入提取码 提取码:gh41
    • 24K采样率专用的vocoder(hifigan)到 vocoder\saved_models\xxx
    • 预训练的ppg特征encoder(ppg_extractor)到 ppg_extractor\saved_models\xxx
    • 预训练的PPG2Mel到 ppg2mel\saved_models\xxx

4.1 使用数据集自己训练PPG2Mel模型 (可选)

  • 下载aidatatang_200zh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 pre4ppg.py -d {dataset} -n {number} 可传入参数:
  • -d {dataset} 指定数据集,支持 aidatatang_200zh, 不传默认为aidatatang_200zh
  • -n {number} 指定并行数,CPU 11700k在8的情况下,需要运行12到18小时!待优化

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, 注意在上一步先下载好ppg2mel.yaml, 修改里面的地址指向预训练好的文件夹: python ppg2mel_train.py --config .\ppg2mel\saved_models\ppg2mel.yaml --oneshotvc
  • 如果想要继续上一次的训练,可以通过--load .\ppg2mel\saved_models\ 参数指定一个预训练模型文件。

4.2 启动工具箱VC模式

您可以尝试使用以下命令: python demo_toolbox.py -vc -d

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。

AI拟声: 5秒内克隆您的声音并生成任意语音内容_第1张图片

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。

网址 指定 标题 实现源码
1803.09017 GlobalStyleToken(合成器) 风格令牌:端到端语音合成中的无监督风格建模、控制和转移 本代码库
2010.05646 HiFi-GAN(声码器) 用于高效和高保真语音合成的生成对抗网络 本代码库
2106.02297 Fre-GAN(声码器) Fre-GAN:对抗频率一致的音频合成 本代码库
1806.04558 SV2TTS 将学习从说话人验证转移到多说话人文本到语音合成 本代码库
1802.08435 WaveRNN(声码器) 高效的神经音频合成 fatchord/WaveRNN
1703.10135 Tacotron(合成器) Tacotron:走向端到端语音合成 fatchord/WaveRNN
1710.10467 GE2E(编码器) 说话人验证的广义端到端损失 本代码库

常见问题(FQ&A)

1.数据集在哪里下载?

数据集 OpenSLR地址 其他源 (Google Drive, Baidu网盘等)
helptang_200zh 开放式单反 谷歌云端硬盘
魔术数据 开放式单反 谷歌云端硬盘(开发集)
爱壳3 开放式单反 谷歌云端硬盘
data_aishell 开放式单反

解压 aidatatang_200zh 后,还需将 aidatatang_200zh\corpus\train下的文件全选解压缩

2.是什麼意思?

假如数据集路径为 D:\data\aidatatang_200zh,那么 就是 D:\data

3.训练模型显存不足

训练合成器时:将 synthesizer/hparams.py中的batch_size参数调小

//调整前
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
//调整后
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

声码器-预处理数据集时:将 synthesizer/hparams.py中的batch_size参数调小

//调整前
### Data Preprocessing
        max_mel_frames = 900,
        rescale = True,
        rescaling_max = 0.9,
        synthesis_batch_size = 16,                  # For vocoder preprocessing and inference.
//调整后
### Data Preprocessing
        max_mel_frames = 900,
        rescale = True,
        rescaling_max = 0.9,
        synthesis_batch_size = 8,                  # For vocoder preprocessing and inference.

声码器-训练声码器时:将 vocoder/wavernn/hparams.py中的batch_size参数调小

//调整前
# Training
voc_batch_size = 100
voc_lr = 1e-4
voc_gen_at_checkpoint = 5
voc_pad = 2

//调整后
# 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]).

请参照 issue #37

5.如何改善CPU、GPU占用率?

视情况调整batch_size参数来改善

6.发生 页面文件太小,无法完成操作

请参考这篇文章,将虚拟内存更改为100G(102400),例如:文件放置D盘就更改D盘的虚拟内存

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 

AI拟声: 5秒内克隆您的声音并生成任意语音内容_第2张图片

 AI拟声: 5秒内克隆您的声音并生成任意语音内容_第3张图片

 快速入门(新手)

快速开始 (新手友好版)

本快速开始教程是以Windows为例的,假设不做任何训练(节省几小时甚至几天时间),假设你对python等开发环境也不熟悉,也可能没有支持CUDA的GPU

安装

如果已经确认安装过,请忽略该步骤

  • 拉取本代码库

  • 安装Anacodna, Python 3.8 或更高,参考中文教程,在Anaconda中创建并切换到独立虚拟环境后,进行以下步骤。

  • 安装 PyTorch, 直接官网下载。如果GPU不支持CUDA,请默认选择。

验证本步骤是否成功:在系统任意路径下运行python,进入交互式编程界面后输入 import torch;, 回车, torch.cuda.is_available(), 回车。如果都是成功的话,可以进行下一步。

AI拟声: 5秒内克隆您的声音并生成任意语音内容_第4张图片

  • 安装 ffmpeg。 1)下载 选择点击打开链接Windows对应的版本下载 2)解压 ffmpeg-xxxx.zip 文件到指定目录; 3)将解压后的文件目录中 bin 目录(包含 ffmpeg.exe )添加进 path 环境变量中; 4)进入 cmd,输入 ffmpeg -version,可验证当前系统是否识别 ffmpeg 以及查看 ffmpeg 的版本

  • 运行pip install -r requirements.txt 来安装剩余的必要包。

确保本步骤不报错

  • 安装 webrtcvad 用 pip install webrtcvad-wheels。

确保本步骤不报错

下载社区训练好的模型

在以下选择中下载模型

作者 下载链接 效果预览
@miven 百度网盘 请输入提取码 提取码:2021 AI声音模仿,5秒钟克隆你的语音_哔哩哔哩_bilibili

该模型与最新代码有兼容性问题 请查阅 用这里的模型跑出现这个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]). · Issue #37 · babysor/MockingBird · GitHub 解决

下载完成后,确保 xxx.pt 格式的文件放在代码库的 synthesizer\saved_models文件夹下,saved_models如不存在请新建

运行demo_toolbox

在代码库路径下,运行 python demo_toolbox.py -d .\samples 尝试使用工具箱, 由于没有下载任何数据集,这里的功能比较简单:

  1. 确保界面左边中间的 synthesizer 选择了上一步中 xxx.pt 文件对应的模型。
  2. 点击Record录入你的5秒语音
  3. 输入任意文字
  4. 点击 Synthesizer and vocode 等待效果输出

你可能感兴趣的:(人工智能(AI),人工智能,深度学习)