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 <datasets_root> 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 <datasets_root>/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 <datasets_root> -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 <datasets_root>/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 <datasets_root> -m <synthesizer_model_path>

<datasets_root>替换为你的数据集目录，<synthesizer_model_path>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 <trainid> <datasets_root>

<trainid>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 <trainid> <datasets_root> hifigan

<trainid>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 <trainid> <datasets_root> --config config.json fregan

<trainid>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 <datasets_root>

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 <datasets_root> -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\<old_pt_file> 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 <datasets_root>

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。

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.<datasets_root>是什麼意思?

假如数据集路径为 D:\data\aidatatang_200zh，那么 <datasets_root>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 Preprocessingmax_mel_frames = 900,rescale = True,rescaling_max = 0.9,synthesis_batch_size = 16,                  # For vocoder preprocessing and inference.
//调整后
### Data Preprocessingmax_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

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。

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