GPT-SoVITS - few shot 声音克隆

文章目录

- [一、关于 GPT-SoVITS](#一、关于 GPT-SoVITS)
- - 功能：
- 二、安装
- - 1、Windows
  - 2、Linux
  - 3、macOS
  - 4、手动安装
  - - [4.1 安装依赖](#4.1 安装依赖)
    - [4.2 安装 FFmpeg](#4.2 安装 FFmpeg)
    - - [Conda 用户](#Conda 用户)
      - [Ubuntu/Debian 用户](#Ubuntu/Debian 用户)
      - [Windows 用户](#Windows 用户)
      - [MacOS 用户](#MacOS 用户)
  - [5、在 Docker 中使用](#5、在 Docker 中使用)
  - - [5.1 docker-compose.yaml 设置](#5.1 docker-compose.yaml 设置)
    - [5.2 通过 docker compose 运行](#5.2 通过 docker compose 运行)
    - [5.3 通过 docker 命令运行](#5.3 通过 docker 命令运行)
- 三、预训练模型
- 四、数据集格式
- 五、（附加）命令行运行方式
- 六、致谢
- - 理论研究
  - 预训练模型
  - 推理用文本前端
  - [WebUI 工具](#WebUI 工具)

一、关于 GPT-SoVITS

github : https://github.com/RVC-Boss/GPT-SoVITS

功能：

零样本文本到语音（TTS）：输入5秒人声样本，体验即时语音合成转换。
少样本 TTS：仅用1分钟的训练数据微调模型，以提高语音相似性和真实感。
跨语言支持：不同于训练集的语言推理，目前支持英语、日语和中文。
WebUI 工具：集成工具包括语音伴奏分离、自动训练集分割、中文ASR和文本标注，帮助初学者创建训练数据集和GPT/SoVITS模型。

演示视频：https://www.bilibili.com/video/BV12g4y1m7Uw

未见过的说话者 few-shot 微调演示：

二、安装

中国地区的用户可以点击这里使用AutoDL Cloud Docker在线体验全部功能。

测试通过的环境

Python 3.9，PyTorch2.0.1，CUDA 11
Python3.10.13，PyTorch2.1.2，CUDA 12.3
Python 3.9， Pytorch2.2.2，macOS14.4.1（苹果芯片）
Python 3.9，PyTorch 2.2.2，CPU 设备

注: numba==0.56.4 需要 python<3.11

1、Windows

如果您是Windows用户（使用win>=10测试），您可以下载集成的包并双击go-webui. bat以启动GPT-SoVITS-WebUI。

中国地区的用户可以通过单击链接下载该软件包，然后选择"下载副本"（如果下载时遇到错误，请退出。）

2、Linux

shell 复制代码

conda create -n GPTSoVits python=3.9
conda activate GPTSoVits
bash install.sh

3、macOS

注：在 Mac 上使用 GPU 训练的模型效果显著低于其他设备训练的模型，所以我们暂时使用 CPU 进行训练。

xcode-select --install
brew install ffmpeg
完成上述步骤后，运行以下的命令来安装本项目：

shell 复制代码

conda create -n GPTSoVits python=3.9
conda activate GPTSoVits

pip install -r requirements.txt

4、手动安装

4.1 安装依赖

shell 复制代码

pip install -r requirements.txt

4.2 安装 FFmpeg

Conda 用户

shell 复制代码

conda install ffmpeg

Ubuntu/Debian 用户

shell 复制代码

sudo apt install ffmpeg
sudo apt install libsox-dev
conda install -c conda-forge 'ffmpeg<7'

Windows 用户

下载并将ffmpeg. exe和ffprobe.exe放在GPT-SoVITS根目录中。

MacOS 用户

shell 复制代码

brew install ffmpeg

5、在 Docker 中使用

5.1 docker-compose.yaml 设置

关于镜像标签：由于代码库中的快速更新以及打包和测试镜像的缓慢过程，请查看Docker Hub以获取当前打包的最新镜像，并根据您的情况选择，或者根据您自己的需要使用Dockerfile在本地构建。
环境变量：

is_half：控制半精度/双精度。如果在"SSL提取"步骤中没有正确生成 4-cnhubert/5-wav32k 目录下的内容，这通常是原因。根据您的实际情况调整为True或False。

卷配置，容器内的应用程序根目录设置为 /workspace. 默认 docker-comp.yaml列出了一些上传/下载内容的实际示例。
shm_size ：Windows上Docker Desktop 的默认可用内存太小，会导致操作异常。根据自己的情况进行调整。
在部署部分，GPU相关设置应根据您的系统和实际情况谨慎调整。

5.2 通过 docker compose 运行

shell 复制代码

docker compose -f "docker-compose.yaml" up -d

5.3 通过 docker 命令运行

同上，根据您自己的实际情况修改对应的参数，然后运行如下命令：

shell 复制代码

docker run --rm -it --gpus=all --env=is_half=False --volume=G:\GPT-SoVITS-DockerTest\output:/workspace/output --volume=G:\GPT-SoVITS-DockerTest\logs:/workspace/logs --volume=G:\GPT-SoVITS-DockerTest\SoVITS_weights:/workspace/SoVITS_weights --workdir=/workspace -p 9880:9880 -p 9871:9871 -p 9872:9872 -p 9873:9873 -p 9874:9874 --shm-size="16G" -d breakstring/gpt-sovits:xxxxx

三、预训练模型

从GPT-SoVITS模型下载预训练模型并将其放入GPT_SoVITS/pretrained_models。

对于UVR5（人声/伴奏分离和混响消除，另外），从 UVR5权重下载模型，并将它们放在tools/uvr5/uvr5_weights。

中国地区的用户可以通过进入下面的链接并单击"下载副本"来下载这两种型号（如果在下载时遇到错误，请退出。）

对于中文ASR（另外），从Damo ASR模型、Damo VAD模型和Damo Punc模型下载模型，并将它们放置在tools/asr/models中。

对于英语或日语ASR（另外），从 Faster Whisper Large V3 下载模型并将它们放置在tools/asr/models。此外，其他模型可能具有类似的效果，磁盘占用空间较小。

中国地区的用户可以通过输入以下链接下载此模型

Faster Whisper Large V3 （单击下载副本，如果下载时遇到错误，请注销。）
Faster Whisper Large V3 （HuggingFace镜像网站）

四、数据集格式

文本到语音（TTS）注释 .list 文件格式：

shell 复制代码

vocal_path|speaker_name|language|text

语言字典：

'zh'：中文
'ja'：日语
'en'：英语
'ko': 韩语

示例：

shell 复制代码

D:\GPT-SoVITS\xxx/xxx.wav|xxx|en|I like playing Genshin.

五、（附加）命令行运行方式

使用命令行打开 UVR5 的 WebUI

shell 复制代码

python tools/uvr5/webui.py "<infer_device>" <is_half> <webui_port_uvr5>

如果打不开浏览器，请按照下面的格式进行UVR处理，这是使用 mdxnet 进行音频处理的方式

shell 复制代码

python mdxnet.py --model --input_root --output_vocal --output_ins --agg_level --format --device --is_half_precision

这是使用命令行完成数据集的音频切分的方式

shell 复制代码

python audio_slicer.py \
    --input_path "<path_to_original_audio_file_or_directory>" \
    --output_root "<directory_where_subdivided_audio_clips_will_be_saved>" \
    --threshold <volume_threshold> \
    --min_length <minimum_duration_of_each_subclip> \
    --min_interval <shortest_time_gap_between_adjacent_subclips> 
    --hop_size <step_size_for_computing_volume_curve>

这是使用命令行完成数据集ASR处理的方式（仅限中文）

shell 复制代码

python tools/asr/funasr_asr.py -i <input> -o <output>

通过 Faster_Whisper 进行 ASR处理（除中文之外的ASR标记）

（没有进度条，GPU性能可能会导致时间延迟）

shell 复制代码

python ./tools/asr/fasterwhisper_asr.py -i <input> -o <output> -l <language> -p <precision>

启用自定义列表保存路径

六、致谢

特别感谢以下项目和贡献者：

理论研究

预训练模型

推理用文本前端

WebUI 工具

2024-08-03（六）