为什么选它？

克隆有很多，为什么选它，它是中国人做的，阿里达摩院，5分钟音频数据集就够了。

国内做的有什么好处，因为大家都是中国人，说的是中国话，技术最大的难题不是基础，而是语言与环境，咱们在国内可以问作者，好沟通。

2种方法

modelscope和kantts版，官方推荐的是modelscope，我推荐的是kantts。

为什么?modelscope整个包有30g，集成了很多不需要的东西，而且每次使用他会从网上下载一些其他的东西，哪天不让你用了，就挂了。而kantts是他开源的版本，只有语音本身，虽然比modelscope复杂会遇到很多问题，但是他是最小的，并且可以纯离线使用的。复杂你也不用担心，因为我会帮你。

kantts使用前检查

首先检查你的cpu架构，如果cpu不支持这个指令集，那么就没必要往后看了。

x86_64架构

uname -m

cpu支持avx2指令集

cat /proc/cpuinfo | grep avx2

如果什么都没有弹出，那就是不支持了

---

安装

首先安装conda

ubuntu安装python以及conda-CSDN博客

gpu以及cuda驱动安装

#安装显卡驱动
sudo apt-get update
sudo apt-get install gcc
sudo apt-get install make
scp mqq@192.168.51.132:/home/mqq/NVIDIA-Linux-x86_64-535.98.run /home/mqq/NVIDIA-Linux-x86_64-535.98.run--------自己从网上下载

sudo sh NVIDIA-Linux-x86_64-535.98.run
nvidia-smi
sudo apt purge nvidia-driver*
sudo apt install nvidia-driver-535
scp mqq@192.168.51.132:/home/mqq/cuda_12.2.1_535.86.10_linux.run /home/mqq/cuda_12.2.1_535.86.10_linux.run ----网上自己下载
sudo sh cuda_12.2.1_535.86.10_linux.run --silent --toolkit
sudo sh cuda_12.2.1_535.86.10_linux.run
nvcc -V

clone他的开源项目

git clone https://github.com/alibaba-damo-academy/KAN-TTS.git

进入tts里面，发现有一个environment

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

conda env create -f environment.yaml

如果报错了他会回滚全部的，建议一个一个安装，写到request.txt里面，发现哪个报错了，先把他删掉，后面单独下载到本地（找资源和换网都行），然后上传上去。

如果你在国外，那你可以下载下来，如果你在国内由于网络原因部分包下载不下来。

此时就要切换镜像源。当然切完之后你依然有部分包下载不下来。

这2个包，要自己本地弄下来，然后手动安装好，然后在上传上去。

然后就能得到了一个maas的包了，但是你哥我呢，特别贴心。给你做好了maas的conda环境。

你只要把下载下来，解压到你的conda目录，你就拥有了maas的python环境。

然后就可以训练了

训练

切分

首先准备一堆数据集，用我的切分方法，将音频切分成3-15秒的

对音频切分成小音频（机器学习用）_我要用代码向我喜欢的女孩表白的博客-CSDN博客

数据标注

通过modelscope的autolabel方法，变成他能够处理的格式数据

此时要最小安装pip install modelscope（这个包很小，不超过100mb）

有时候可能下载很慢，你也可以windows下载下来，然后本地上传上去。

执行标注的代码

还要装这个包

pip install tts-autolabel -f                       https://modelscope.oss-cn-beijing.aliyuncs.com/releases/repo.html

然后执行，他就在下载一个700mb的东西，下面我看源码，把他这个下载的删除，每次都要下载

代码（记得改路径）

这个是run_auto_label.py

# -*- coding: utf-8 -*-
from modelscope.tools import run_auto_label
import osdef training_model(model_name):input_wav = './output/'+model_name # wav audio pathwork_dir = './lableOutput/'+model_name # output pathos.makedirs(work_dir, exist_ok=True)ret, report = run_auto_label(input_wav = input_wav,work_dir = work_dir,resource_revision = "v1.0.7")print(report)print("样本分词完成,准备训练模型,模型名称: "+model_name)print("#        ##   #####  ###### #                   ####  #    # ")print("#       #  #  #    # #      #                  #    # #   #  ")print("#      #    # #####  #####  #                  #    # ####   ")print("#      ###### #    # #      #                  #    # #  #   ")print("#      #    # #    # #      #                  #    # #   #  ")print("###### #    # #####  ###### ######              ####  #    # ")if __name__ == '__main__':training_model("douBao")

本地也要安装sox 

sudo apt install sox

然后执行代码

python run_auto_label.py

数据预处理

先安装

pip install pyyaml

pip install tqdm

pip install sox

pip install pysptk

pip install torch

python /自己tts目录/KAN-TTS/kantts/preprocess/data_process.py --voice_input_dir 刚刚生成的标注的目录 --voice_output_dir 预处理的目录 --audio_config /自己tts目录/KAN-TTS/kantts/configs/audio_config_24k.yaml --speaker 人物名称随便起

audio_config_24k.yaml这个我训练的是24k的音质，还有16k以及其他的