实时语音克隆 - 中文/普通话

English | 中文

DEMO VIDEO

特性

🌍 中文 支持普通话并使用多种中文数据集进行测试：adatatang_200zh, magicdata, aishell3

🤩 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 在修复 nits 后在 Windows 操作系统和 linux 操作系统中进行测试

🤩 Easy & Awesome 仅使用新训练的合成器（synthesizer）就有良好效果，复用预训练的编码器/声码器

快速开始

0训练新手友好版可以参考 Quick Start (Newbie)

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。 Python 3.7 或更高版本 需要运行工具箱。

• 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 用 pip install webrtcvad-wheels。

2. 使用数据集训练合成器

• 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）
• 使用音频和梅尔频谱图进行预处理： python synthesizer_preprocess_audio.py <datasets_root> 可以传入参数 --dataset {dataset} 支持 adatatang_200zh, magicdata, aishell3

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\

假如發生 頁面文件太小，無法完成操作，請參考這篇文章，將虛擬內存更改為100G(102400)，例如:档案放置D槽就更改D槽的虚拟内存

• 预处理嵌入： python synthesizer_preprocess_embeds.py <datasets_root>/SV2TTS/synthesizer

• 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，请转到下一步。

仅供参考，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

2.2 使用预先训练好的合成器

实在没有设备或者不想慢慢调试，可以使用网友贡献的模型(欢迎持续分享):

2.3 训练声码器 (Optional)

• 预处理数据: python vocoder_preprocess.py <datasets_root>

• 训练声码器: python vocoder_train.py mandarin <datasets_root>

3. 启动工具箱

然后您可以尝试使用工具箱： python demo_toolbox.py -d <datasets_root>

Good news🤩: 可直接使用中文

TODO

• 允许直接使用中文
• 添加演示视频
• 添加对更多数据集的支持
• 上传预训练模型
• 支持parallel tacotron
• 服务化与容器化
• 🙏 欢迎补充

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。