手把手教学！如何自己训练一个AI歌手 – so-vits-svc云端训练教程

• 人工智能

介绍

so-vits-svc是基于VITS的开源项目，VITS（Variational Inference with adversarial learning for end-to-end Text-to-Speech）是一种结合变分推理（variational inference）、标准化流（normalizing flows）和对抗训练的高表现力语音合成模型

环境

本文章使用的是腾讯云GPU计算型GN7竞价实例,竞价实例最高可比按量计费节省95%，但实例有被自动释放风险，适合做测试。具体环境如下：

# 系统环境
Ubuntu 22.04 LTS
# 显卡环境
NVIDIA-SMI 470.182.03    Driver Version: 470.182.03    CUDA Version: 11.4
# python环境
Python 3.10
# GPU环境
Tesla T4 16G * 1
# CPU环境
8核	32GB

365404354399d97e8333b.png

87053539fd2c945364ffb.png

音频处理

为了训练，我们需要将音频文件分离成人声和伴奏两个音轨，并将人声音频文件切分成10-20秒的音频片段。

  1. 使用Spleeter分离人声音轨
apt install ffmpeg
pip install spleeter

mkdir spleeter && cd spleeter
mkdir raw
#下载模型
mkdir pretrained_models
wget -P pretrained_models https://github.com/deezer/spleeter/releases/download/v1.4.0/2stems.tar.gz
# 境内vps下载太慢，可以使用下面的链接
# wget -P pretrained_models https://kgithub.com/deezer/spleeter/releases/download/v1.4.0/2stems.tar.gz
mkdir -p pretrained_models/2stems
tar -zxvf pretrained_models/2stems.tar.gz -C pretrained_models/2stems/
  1. 测试分离人声
# 测试
wget https://github.com/deezer/spleeter/raw/master/audio_example.mp3
spleeter separate -p spleeter:2stems -o output audio_example.mp3

output/
└── audio_example
    ├── accompaniment.wav # 伴奏
    └── vocals.wav   # 人声
  1. 批量分离音轨

将需要分离的音频文件放到spleeter/raw目录下，然后执行下面的命令

为了方便批量处理，可以使用下面的脚本

下面脚本将raw目录下的所有.wav文件分离成人声和伴奏两个音轨，并保存到spleeter/audio_output文件夹中

#!/bin/bash

# 创建output文件夹（如果不存在）
mkdir -p audio_output

# 遍历raw目录下的WAV文件
for file in raw/*.wav; do

  # 检查文件类型是否为MP3
  if [[ -f "$file" ]]; then
    echo "正在处理文件: $file"

    # 提取文件名（不包括扩展名）
    filename=$(basename "$file" .wav)

    # 使用spleeter命令进行分离并保存到audio_output/文件夹中
    spleeter separate \
        -o audio_output \
        "$file" \
        -f "$filename"_{instrument}.wav
  fi
  
done

echo "分离完成！"

效果如下

ubuntu@VM-0-12-ubuntu:~/spleeter$ tree audio_output/
audio_output/
├── 11_accompaniment.wav
├── 11_vocals.wav
├── 12_accompaniment.wav
├── 12_vocals.wav
├── 13_accompaniment.wav
└── 13_vocals.wav

0 directories, 6 files
  1. 切分音频片段
pip librosa soundfile

执行下面脚本，将会从audio_output目录中的每个音频文件中提取出10-20秒的音频片段，并保存到clips目录中。

import librosa
import soundfile
import random
import os

# 获取当前工作目录
cwd = os.getcwd()

# 设置原始音频文件所在目录和新文件保存目录
src_folder = os.path.join(cwd, 'audio_output')  # 原始音频文件所在目录
dst_folder = os.path.join(cwd, 'clips')  # 新文件保存目录

# 创建新文件保存目录
if not os.path.exists(dst_folder):
    os.makedirs(dst_folder)

# 遍历源目录中的所有wav文件
for filename in os.listdir(src_folder):
    if filename.endswith("vocals.wav"):
        audio_path = os.path.join(src_folder, filename)
        print(f"Processing {audio_path}...")

        # 加载音频文件
        audio, sr = librosa.load(audio_path, sr=None, mono=False)

        # 去除音频文件中的静音部分
        audio_trimmed, index = librosa.effects.trim(audio, top_db=20, frame_length=2048, hop_length=512)

        # 计算总时长和总采样点数
        duration = len(audio_trimmed[0]) / sr
        total_samples = audio_trimmed.shape[-1]

        # 确定每个片段应该包含的采样点数
        min_duration = 10  # 最小片段长度（秒）
        max_duration = 20  # 最大片段长度（秒）
        segment_duration = random.uniform(min_duration, max_duration)  # 随机生成片段长度
        segment_samples = int(segment_duration * sr)  # 将片段长度转换为采样点数

        # 循环遍历音频文件，并将每个片段保存为新的音频文件
        for i in range(0, total_samples, segment_samples):
            start = i  # 当前片段的起始采样点
            end = min(i + segment_samples, total_samples)  # 当前片段的结束采样点

            chunk = audio_trimmed[:, start:end]  # 截取当前片段的音频数据
            if len(chunk.shape) > 1:
                chunk = chunk.T  # 如果是立体声，则交换通道

            # 构造新文件名
            clip_filename = f"{os.path.splitext(filename)[0]}_{i//segment_samples}.wav"
            clip_path = os.path.join(dst_folder, clip_filename)

            soundfile.write(clip_path, chunk, sr)  # 保存当前片段的音频数据到文件中

开始训练

  1. 克隆存储库并安装依赖项
git clone https://github.com/svc-develop-team/so-vits-svc.git
cd so-vits-svc
python3 -m venv myenv
source myenv/bin/activate
pip uninstall -y torchdata torchtext
pip install --upgrade pip setuptools numpy numba
pip install pyworld praat-parselmouth fairseq tensorboardX torchcrepe librosa==0.9.1 pyyaml pynvml pyloudnorm
pip install torch torchvision torchaudio 
pip install rich loguru matplotlib
pip install faiss-gpu
pip uninstall omegaconf
pip install omegaconf==2.0.5
pip install antlr4-python3-runtime==4.8
pip install antlr4-python3-runtime==4.8
pip install tensorboard
  1. 数据集准备

将上一步中生成的音频片段文件夹clips移动到so-vits-svc/dataset_raw目录下，目录结构如下：

dataset_raw
├───speaker0
│   ├───xxx1-xxx1.wav
│   ├───...
│   └───Lxx-0xx8.wav

speaker0 是合成目标说话人的名称。推理时需要用到该名称。

对于每一个音频文件的名称并没有格式的限制(000001.wav~999999.wav之类的命名方式也是合法的)，不过文件类型必须是wav。

  1. 获取预训练模型
cd so-vits-svc
#download_pretrained_model
curl -L https://huggingface.co/datasets/ms903/sovits4.0-768vec-layer12/resolve/main/sovits_768l12_pre_large_320k/clean_D_320000.pth -o logs/44k/D_0.pth
curl -L https://huggingface.co/datasets/ms903/sovits4.0-768vec-layer12/resolve/main/sovits_768l12_pre_large_320k/clean_G_320000.pth -o logs/44k/G_0.pth
#download_pretrained_diffusion_model
#不训练扩散模型时不需要下载
wget -L https://huggingface.co/datasets/ms903/Diff-SVC-refactor-pre-trained-model/resolve/main/fix_pitch_add_vctk_600k/model_0.pt -o logs/44k/diffusion/model_0.pt

#如果使用rmvpeF0预测器的话，需要下载预训练的 RMVPE 模型
curl -L https://huggingface.co/datasets/ylzz1997/rmvpe_pretrain_model/resolve/main/rmvpe.pt -o pretrain/rmvpe.pt
curl -L https://huggingface.co/datasets/ylzz1997/rmvpe_pretrain_model/resolve/main/fcpe.pt -o pretrain/fcpe.pt
  1. 使用 contentvec 作为声音编码器（推荐）

vec768l12与vec256l9 需要该编码器

  • contentvec ：checkpoint_best_legacy_500.pt
    • 放在pretrain目录下

或者下载下面的 ContentVec，大小只有 199MB，但效果相同：

  • contentvec ：hubert_base.pt
    • 将文件名改为checkpoint_best_legacy_500.pt后，放在pretrain目录下
# contentvec
wget -P pretrain/ https://huggingface.co/lj1995/VoiceConversionWebUI/resolve/main/hubert_base.pt -O checkpoint_best_legacy_500.pt
# 也可手动下载放在 pretrain 目录

更多编码器请参考so-vits-svc

  1. 重采样至 44100Hz 单声道
python resample.py
  1. 自动划分训练集、验证集，以及自动生成配置文件
python preprocess_flist_config.py --speech_encoder=vec768l12
  1. 生成 hubert 与 f0
python preprocess_hubert_f0.py --f0_predictor=crepe

d259e8a5d04af5ef37347.png

加速预处理 如若您的数据集比较大，可以尝试添加–num_processes参数：

python preprocess_hubert_f0.py --f0_predictor=crepe --num_processes 8
  1. 主模型训练
python train.py -c configs/config.json -m 44k

扩散模型（可选）, 尚若需要浅扩散功能，需要训练扩散模型，扩散模型训练方法为：

python train_diff.py -c configs/diffusion.yaml

用tensorboard查看训练情况

tensorboard --logdir logs/44k --host=0.0.0.0

2dbf82e248e02abde1b16.png

407edfd7f243e3cdcff29.png

  1. 聚类模型训练（可选）
python cluster/train_cluster.py --gpu

模型训练结束后，模型文件保存在logs/44k目录下，聚类模型会保存在logs/44k/kmeans_10000.pt,扩散模型在logs/44k/diffusion下 。

推理 （对配置要求不高可以用自己的电脑进行）

  1. 参数说明
# 例
python inference_main.py -m "logs/44k/G_30400.pth" -c "configs/config.json" -n "君の知らない物語-src.wav" -t 0 -s "nen"

必填项部分：

  • -m | –model_path：模型路径
  • -c | –config_path：配置文件路径
  • -n | –clean_names：wav 文件名列表，放在 raw 文件夹下
  • -t | –trans：音高调整，支持正负（半音）
  • -s | –spk_list：合成目标说话人名称
  • -cl | –clip：音频强制切片，默认 0 为自动切片，单位为秒/s

可选项部分：部分具体见下一节

  • -lg | –linear_gradient：两段音频切片的交叉淡入长度，如果强制切片后出现人声不连贯可调整该数值，如果连贯建议采用默认值 0，单位为秒
  • -f0p | –f0_predictor：选择 F0 预测器，可选择 crepe,pm,dio,harvest,rmvpe,fcpe, 默认为 pm（注意：crepe 为原 F0 使用均值滤波器）
  • -a | –auto_predict_f0：语音转换自动预测音高，转换歌声时不要打开这个会严重跑调
  • -cm | –cluster_model_path：聚类模型或特征检索索引路径，留空则自动设为各方案模型的默认路径，如果没有训练聚类或特征检索则随便填
  • -cr | –cluster_infer_ratio：聚类方案或特征检索占比，范围 0-1，若没有训练聚类模型或特征检索则默认 0 即可
  • -eh | –enhance：是否使用 NSF_HIFIGAN 增强器，该选项对部分训练集少的模型有一定的音质增强效果，但是对训练好的模型有反面效果，默认关闭
  • -shd | –shallow_diffusion：是否使用浅层扩散，使用后可解决一部分电音问题，默认关闭，该选项打开时，NSF_HIFIGAN 增强器将会被禁止
  • -usm | –use_spk_mix：是否使用角色融合/动态声线融合
  • -lea | –loudness_envelope_adjustment：输入源响度包络替换输出响度包络融合比例，越靠近 1 越使用输出响度包络
  • -fr | –feature_retrieval：是否使用特征检索，如果使用聚类模型将被禁用，且 cm 与 cr 参数将会变成特征检索的索引路径与混合比例

浅扩散设置：

  • -dm | –diffusion_model_path：扩散模型路径
  • -dc | –diffusion_config_path：扩散模型配置文件路径
  • -ks | –k_step：扩散步数，越大越接近扩散模型的结果，默认 100
  • -od | –only_diffusion：纯扩散模式，该模式不会加载 sovits 模型，以扩散模型推理
  • -se | –second_encoding：二次编码，浅扩散前会对原始音频进行二次编码，玄学选项，有时候效果好，有时候效果差
  1. 推理

下面以孙燕姿的模型为例，演示如何使用 so-vits-svc 进行音色转换

模型地址：孙燕姿模型

先看效果

# 例
spleeter separate -o raw 人来人往.wav -f 人来人往_{instrument}.wav
python inference_main.py -m "logs/44k/G_27200.pth" -c "configs/sun.json" -n "人来人往_vocals.wav" -t 0 -s "sun" -cm "logs/44k/kmeans_10000.pt"

logs/44k/G_27200.pth为主模型

configs/sun.json为配置文件

人来人往_vocals.wav 为raw目录下待转换的人声音频文件

sun为目标说话人名称(configs/sun.json中的spk对应的vlaue)

logs/44k/kmeans_10000.pt为聚类模型

f0553cd31dd50ac6b8b81.png

分享的孙燕姿模型由于是4.0版本的，需要在 config.json 的 model 字段中添加 speech_encoder 字段，具体如下：

  "model": {
    .........
    "ssl_dim": 256,
    "n_speakers": 200,
    "speech_encoder":"vec256l9"
  }

1b6e53d58cf52db149347.png

  1. 合并人声与伴奏
ffmpeg -i 人来人往_accompaniment.wav -i 人来人往_vocals.wav_0key_sun_sovits_pm.flac -filter_complex amix=inputs=2:duration=first:dropout_transition=3 output.wav
参考：https://github.com/svc-develop-team/so-vits-svc/tree/4.1-Stable

本文来自网络，不代表协通编程立场，如若转载，请注明出处：https://www.net2asp.com/57eedf7c8e.html

赞 (0)
« 上一篇 1天前
下一篇 » 1天前

相关推荐