Python 实现 AI 拟声: 5秒内克隆您的声音并生成任意语音内容

特性

🌍 中文 支持普通话并使用多种中文数据集进行测试：aidatatang_200zh, magicdata, aishell3, biaobei, MozillaCommonVoice, data_aishell 等

🤩 PyTorch 适用于 pytorch，已在 1.9.0 版本（最新于 2021 年 8 月）中测试，GPU Tesla T4 和 GTX 2060

🌍 Windows + Linux 可在 Windows 操作系统和 linux 操作系统中运行（苹果系统M1版也有社区成功运行案例）

🤩 Easy & Awesome 仅需下载或新训练合成器（synthesizer）就有良好效果，复用预训练的编码器/声码器，或实时的HiFi-GAN作为vocoder

🌍 Webserver Ready 可伺服你的训练结果，供远程调用

开始

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 。

需要开通正版 PyCharm 的可以联系我，56元一年，正版授权激活，官网可查有效期，有需要的加我微信：poxiaozhiai6，备注：914。

• 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:

近期创建了知乎专题 将不定期更新炼丹小技巧or心得，也欢迎提问

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 4j5d75k 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：om7f25k steps 用3个开源数据集混合训练, 切换到tag v0.0.1使用@FawenYohttps://drive.google.com/file/d/1H-YGOUHpmqKxJ9FRc6vAjPuqQki24UbC/view?usp=sharing 百度盘链接 提取码：1024input output200k 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：2021AI声音模仿，5秒钟克隆你的语音_哔哩哔哩_bilibili150k 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。

URLDesignation标题实现源码1803.09017GlobalStyleToken (synthesizer)Style Tokens: Unsupervised Style Modeling, Control and Transfer in End-to-End Speech Synthesis本代码库2010.05646HiFi-GAN (vocoder)Generative Adversarial Networks for Efficient and High Fidelity Speech Synthesis本代码库2106.02297Fre-GAN (vocoder)Fre-GAN: Adversarial Frequency-consistent Audio Synthesis本代码库1806.04558SV2TTSTransfer Learning from Speaker Verification to Multispeaker Text-To-Speech Synthesis本代码库1802.08435WaveRNN (vocoder)Efficient Neural Audio Synthesisfatchord/WaveRNN1703.10135Tacotron (synthesizer)Tacotron: Towards End-to-End Speech Synthesisfatchord/WaveRNN1710.10467GE2E (encoder)Generalized End-To-End Loss for Speaker Verification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)aidatatang_200zhOpenSLRGoogle DrivemagicdataOpenSLRGoogle Drive (Dev set)aishell3OpenSLRGoogle Drivedata_aishellOpenSLR

解压 aidatatang_200zh 后，还需将

aidatatang_200zh\corpus\train

下的文件全选解压缩

1. <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 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

最后，点个赞吧~