[PaddleSpeech] 音色克隆之原神角色 <胡桃>
[PaddleSpeech] 音色克隆之原神角色建议使用GPU 32G版本运行
[PaddleSpeech 原神] 音色克隆之胡桃
随着直播和短视频的火热流行,配音成为了一个很有“钱途”的行业
PaddleSpeech的出现,让我们快速又简单的上手音色克隆。
本篇将会带你去完成一个音色克隆的项目,这里以原神中的胡桃为例子
数据集中还有很多种语音任你选择。
├── 七七.zip
├── 丽莎.zip
├── 久岐忍.zip
├── 九条裟罗.zip
├── 云堇.zip
├── 五郎.zip
├── 优菈.zip
├── 八重神子.zip
├── 凝光.zip
├── 凯亚.zip
├── 刻晴.zip
├── 北斗.zip
├── 可莉.zip
├── 夜兰.zip
├── 女士.zip
├── 安柏.zip
├── 宵宫.zip
├── 戴因斯雷布.zip
├── 托马.zip
├── 散兵.zip
├── 早柚.zip
├── 枫原万叶.zip
├── 派蒙.zip
├── 温迪.zip
├── 烟绯.zip
├── 珊瑚宫心海.zip
├── 班尼特.zip
├── 琴.zip
├── 甘雨.zip
├── 申鹤.zip
├── 砂糖.zip
├── 神里绫人.zip
├── 神里绫华.zip
├── 罗莎莉亚.zip
├── 胡桃.zip
├── 芭芭拉.zip
├── 荒泷一斗.zip
├── 莫娜.zip
├── 菲谢尔.zip
├── 行秋.zip
├── 诺艾尔.zip
├── 辛焱.zip
├── 达达利亚.zip
├── 迪卢克.zip
├── 迪奥娜.zip
├── 重云.zip
├── 钟离.zip
├── 阿贝多.zip
├── 雷泽.zip
├── 雷电将军.zip
├── 香菱.zip
├── 魈.zip
└── 鹿野院平藏.zip
1. 配置 PaddleSpeech 开发环境
安装 PaddleSpeech 并在 PaddleSpeech/examples/other/tts_finetune/tts3 路径下配置 tools,下载预训练模型
# 配置 PaddleSpeech 开发环境
!git clone https://gitee.com/paddlepaddle/PaddleSpeech.git
%cd PaddleSpeech
!pip install . -i https://mirror.baidu.com/pypi/simple
# 下载 NLTK
%cd /home/aistudio
!wget -P data https://paddlespeech.bj.bcebos.com/Parakeet/tools/nltk_data.tar.gz
!tar zxvf data/nltk_data.tar.gz
# 删除软链接
# aistudio会报错: paddlespeech 的 repo中存在失效软链接
# 执行下面这行命令!!
!find -L /home/aistudio -type l -delete
# 配置 MFA & 下载预训练模型
%cd /home/aistudio
!bash env.sh
2 数据集配置
本项目数据集提供了完整的wav、labelx以及MFA对齐标注文件
如果要自行对齐,请去PaddleSpeech查阅完整资料
Finetune your own AM based on FastSpeech2 with multi-speakers dataset.
解压文件中的
音频
work/dataset/胡桃/wav/xx.wav
和标签
work/dataset/胡桃/wav/labels.txt
对齐的textgrid
work/dataset/胡桃/textgrid/newdir/xx.TextGrid
本项目采用胡桃的声音完成
2.1 解压数据集
!unzip /home/aistudio/data/data171682/yuanshen_zip.zip -d work/
!unzip /home/aistudio/work/yuanshen_zip/胡桃.zip -d work/dataset/
2.2 编写执行cmd函数代码
import subprocess
# 命令行执行函数,可以进入指定路径下执行
def run_cmd(cmd, cwd_path):
p = subprocess.Popen(cmd, shell=True, cwd=cwd_path)
res = p.wait()
print(cmd)
print("运行结果:", res)
if res == 0:
# 运行成功
print("运行成功")
return True
else:
# 运行失败
print("运行失败")
return False
2.3 配置各项参数
import os
# 试验路径
exp_dir = "/home/aistudio/work/exp"
# 配置试验相关路径信息
cwd_path = "/home/aistudio/PaddleSpeech/examples/other/tts_finetune/tts3"
# 可以参考 env.sh 文件,查看模型下载信息
pretrained_model_dir = "models/fastspeech2_mix_ckpt_1.2.0"
# # 同时上传了 wav+标注文本 以及本地生成的 textgrid 对齐文件
# 输入数据集路径
data_dir = "/home/aistudio/work/dataset/胡桃/wav"
# 如果上传了 MFA 对齐结果,则使用已经对齐的文件
mfa_dir = "/home/aistudio/work/dataset/胡桃/textgrid"
# 输出文件路径
wav_output_dir = os.path.join(exp_dir, "output")
os.makedirs(wav_output_dir, exist_ok=True)
dump_dir = os.path.join(exp_dir, 'dump')
output_dir = os.path.join(exp_dir, 'exp')
lang = "zh"
2.4 检查数据集是否合法
# check oov
cmd = f"""
python3 local/check_oov.py \
--input_dir={data_dir} \
--pretrained_model_dir={pretrained_model_dir} \
--newdir_name={new_dir} \
--lang={lang}
"""
# 执行该步骤
run_cmd(cmd, cwd_path)
python3 local/check_oov.py --input_dir=/home/aistudio/work/dataset/胡桃/wav --pretrained_model_dir=models/fastspeech2_mix_ckpt_1.2.0 --newdir_name=work/dataset/胡桃/textgrid/newdir --lang=zh
运行结果: 0
运行成功
True
2.5 生成 Duration 时长信息
cmd = f"""
python3 local/generate_duration.py \
--mfa_dir={mfa_dir}
"""
# 执行该步骤
run_cmd(cmd, cwd_path)
python3 local/generate_duration.py --mfa_dir=/home/aistudio/work/dataset/胡桃/textgrid
运行结果: 0
运行成功
True
2.6. 数据预处理
cmd = f"""
python3 local/extract_feature.py \
--duration_file="./durations.txt" \
--input_dir={data_dir} \
--dump_dir={dump_dir}\
--pretrained_model_dir={pretrained_model_dir}
"""
# 执行该步骤
run_cmd(cmd, cwd_path)
2.7. 准备微调环境
cmd = f"""
python3 local/prepare_env.py \
--pretrained_model_dir={pretrained_model_dir} \
--output_dir={output_dir}
"""
# 执行该步骤
run_cmd(cmd, cwd_path)
python3 local/prepare_env.py --pretrained_model_dir=models/fastspeech2_mix_ckpt_1.2.0 --output_dir=/home/aistudio/work/exp/exp
运行结果: 0
运行成功
True
2.8. 微调并训练
不同的数据集是不好给出统一的训练参数,因此在这一步,开发者可以根据自己训练的实际情况调整参数,重要参数说明:
训练轮次: epoch
- epoch 决定了训练的轮次,可以结合 VisualDL 服务,在 AIstudio 中查看训练数据是否已经收敛,当数据集数量增加时,预设的训练轮次(100)不一定可以达到收敛状态
- 当训练轮次过多(epoch > 200)时,建议新建终端,进入/home/aistudio/PaddleSpeech/examples/other/tts_finetune/tts3 路径下, 执行 cmd 命令,AIStudio 在打印特别多的训练信息时,会产生错误
配置文件:
/home/aistudio/PaddleSpeech/examples/other/tts_finetune/tts3/conf/finetune.yaml
# 将默认的 yaml 拷贝一份到 exp_dir 下,方便修改
import shutil
in_label = "/home/aistudio/PaddleSpeech/examples/other/tts_finetune/tts3/conf/finetune.yaml"
shutil.copy(in_label, exp_dir)
'/home/aistudio/work/exp/finetune.yaml'
epoch = 250
config_path = os.path.join(exp_dir, "finetune.yaml")
cmd = f"""
python3 local/finetune.py \
--pretrained_model_dir={pretrained_model_dir} \
--dump_dir={dump_dir} \
--output_dir={output_dir} \
--ngpu=1 \
--epoch={epoch} \
--finetune_config={config_path}
"""
# 执行该步骤
# 如果训练轮次过多,则复制上面的cmd到终端中运行
run_cmd(cmd, cwd_path)
3 生成音频
输入我们需要生成的文字,即可生成对应的音频文件
3.1 文本输入
text_dict = {
"0": "大家好,我是 胡桃,今天 天气 很不错啊,大家一起来原神找我玩呀!",
"1": "hehe,太阳 出 来 我 晒 太阳 ,月亮 出 来 我 晒 月亮 咯。",
"2": "我是it er hui , 一名 P P D E ,欢迎 大家 来飞桨 社区 找我,谢谢大家 fork 这个项目"
}
# 生成 sentence.txt
text_file = os.path.join(exp_dir, "sentence.txt")
with open(text_file, "w", encoding="utf8") as f:
for k,v in sorted(text_dict.items(), key=lambda x:x[0]):
f.write(f"{k} {v}\n")
3.2 调训练的模型
# 找到最新生成的模型
def find_max_ckpt(model_path):
max_ckpt = 0
for filename in os.listdir(model_path):
if filename.endswith('.pdz'):
files = filename[:-4]
a1, a2, it = files.split("_")
if int(it) > max_ckpt:
max_ckpt = int(it)
return max_ckpt
3.2 生成语音
# 配置一下参数信息
model_path = os.path.join(output_dir, "checkpoints")
ckpt = find_max_ckpt(model_path)
cmd = f"""
python3 /home/aistudio/PaddleSpeech/paddlespeech/t2s/exps/fastspeech2/../synthesize_e2e.py \
--am=fastspeech2_mix \
--am_config=models/fastspeech2_mix_ckpt_1.2.0/default.yaml \
--am_ckpt={output_dir}/checkpoints/snapshot_iter_{ckpt}.pdz \
--am_stat=models/fastspeech2_mix_ckpt_1.2.0/speech_stats.npy \
--voc="hifigan_aishell3" \
--voc_config=models/hifigan_aishell3_ckpt_0.2.0/default.yaml \
--voc_ckpt=models/hifigan_aishell3_ckpt_0.2.0/snapshot_iter_2500000.pdz \
--voc_stat=models/hifigan_aishell3_ckpt_0.2.0/feats_stats.npy \
--lang=mix \
--text={text_file} \
--output_dir={wav_output_dir} \
--phones_dict={dump_dir}/phone_id_map.txt \
--speaker_dict={dump_dir}/speaker_id_map.txt \
--spk_id=0 \
--ngpu=1
"""
run_cmd(cmd, cwd_path)
3.4 语音展示
import IPython.display as ipd
ipd.Audio(os.path.join(wav_output_dir, "0.wav"))
<IPython.lib.display.Audio object>
ipd.Audio(os.path.join(wav_output_dir, "1.wav"))
<IPython.lib.display.Audio object>
ipd.Audio(os.path.join(wav_output_dir, "2.wav"))
<IPython.lib.display.Audio object>
项目总结
在paddlespeech的加持下,音色克隆变成了一件非常简单的事情(虽然效果还不是很好),本项目中还有很多数据可以使用,大家可以尽情的fork体验。
个人总结
全网同名:
iterhui
我在AI Studio上获得至尊等级,点亮10个徽章,来互关呀~
https://aistudio.baidu.com/aistudio/personalcenter/thirdview/643467
此文章为搬运
原项目链接
更多推荐
所有评论(0)