2023-03-12 02:46:22 +00:00
# SoftVC VITS Singing Voice Conversion
[**English** ](./README.md ) | [**中文简体** ](./README_zh_CN.md )
## 使用规约
1. 本项目是基于学术交流目的建立,仅供交流与学习使用,并非为生产环境准备,请自行解决数据集的授权问题,任何由于使用非授权数据集进行训练造成的问题,需自行承担全部责任和一切后果!
2. 任何发布到视频平台的基于 sovits 制作的视频,都必须要在简介明确指明用于变声器转换的输入源歌声、音频,例如:使用他人发布的视频 / 音频,通过分离的人声作为输入源进行转换的,必须要给出明确的原视频、音乐链接;若使用是自己的人声,或是使用其他歌声合成引擎合成的声音作为输入源进行转换的,也必须在简介加以说明。
3. 由输入源造成的侵权问题需自行承担全部责任和一切后果。使用其他商用歌声合成软件作为输入源时,请确保遵守该软件的使用条例,注意,许多歌声合成引擎使用条例中明确指明不可用于输入源进行转换!
4. 继续使用视为已同意本仓库 README 所述相关条例,本仓库 README 已进行劝导义务,不对后续可能存在问题负责。
5. 如将本仓库代码二次分发,或将由此项目产出的任何结果公开发表 (包括但不限于视频网站投稿),请注明原作者及代码来源 (此仓库)。
6. 如果将此项目用于任何其他企划,请提前联系并告知本仓库作者,十分感谢。
## update
> 更新了4.0-v2模型, 全部流程同4.0, 相比4.0在部分场景下有一定提升,但也有些情况有退步,具体可移步[4.0-v2分支](https://github.com/svc-develop-team/so-vits-svc/tree/4.0-v2)
## 模型简介
2023-03-12 03:27:17 +00:00
2023-03-12 02:46:22 +00:00
歌声音色转换模型, 通过SoftVC内容编码器提取源音频语音特征, 与F0同时输入VITS替换原本的文本输入达到歌声转换的效果。同时, 更换声码器为 [NSF HiFiGAN ](https://github.com/openvpi/DiffSinger/tree/refactor/modules/nsf_hifigan ) 解决断音问题
### 4.0版本更新内容
2023-03-12 03:27:17 +00:00
2023-03-12 02:46:22 +00:00
+ 特征输入更换为 [Content Vec ](https://github.com/auspicious3000/contentvec )
+ 采样率统一使用44100hz
+ 由于更改了hop size等参数以及精简了部分模型结构, 推理所需显存占用**大幅降低**, 4.0版本44khz显存占用甚至小于3.0版本的32khz
+ 调整了部分代码结构
+ 数据集制作、训练过程和3.0保持一致,但模型完全不通用,数据集也需要全部重新预处理
+ 增加了可选项 1: vc模式自动预测音高f0,即转换语音时不需要手动输入变调key, 男女声的调能自动转换, 但仅限语音转换, 该模式转换歌声会跑调
+ 增加了可选项 2: 通过kmeans聚类方案减小音色泄漏, 即使得音色更加像目标音色
## 预先下载的模型文件
2023-03-12 02:53:30 +00:00
#### **必须项**
2023-03-12 02:46:22 +00:00
+ contentvec : [checkpoint_best_legacy_500.pt](https://ibm.box.com/s/z1wgl1stco8ffooyatzdwsqn2psd9lrr)
+ 放在`hubert`目录下
2023-03-12 03:27:17 +00:00
2023-03-12 02:46:22 +00:00
```shell
# contentvec
http://obs.cstcloud.cn/share/obs/sankagenkeshi/checkpoint_best_legacy_500.pt
# 也可手动下载放在hubert目录
```
2023-03-12 02:53:30 +00:00
#### **可选项(强烈建议使用)**
+ 预训练底模文件: `G_0.pth` `D_0.pth`
+ 放在`logs/44k`目录下
从svc-develop-team(待定)或任何其他地方获取
虽然底模一般不会引起什么版权问题,但还是请注意一下,比如事先询问作者,又或者作者在模型描述中明确写明了可行的用途
2023-03-12 02:46:22 +00:00
## 数据集准备
2023-03-12 03:27:17 +00:00
2023-03-12 02:46:22 +00:00
仅需要以以下文件结构将数据集放入dataset_raw目录即可
2023-03-12 03:27:17 +00:00
2023-03-12 02:46:22 +00:00
```shell
dataset_raw
├───speaker0
│ ├───xxx1-xxx1.wav
│ ├───...
│ └───Lxx-0xx8.wav
└───speaker1
├───xx2-0xxx2.wav
├───...
└───xxx7-xxx007.wav
```
## 数据预处理
2023-03-12 03:27:17 +00:00
2023-03-12 02:46:22 +00:00
1. 重采样至 44100hz
```shell
python resample.py
2023-03-12 03:27:17 +00:00
```
2023-03-12 02:46:22 +00:00
2. 自动划分训练集 验证集 测试集 以及自动生成配置文件
2023-03-12 03:27:17 +00:00
2023-03-12 02:46:22 +00:00
```shell
python preprocess_flist_config.py
```
2023-03-12 03:27:17 +00:00
2023-03-12 02:46:22 +00:00
3. 生成hubert与f0
2023-03-12 03:27:17 +00:00
2023-03-12 02:46:22 +00:00
```shell
python preprocess_hubert_f0.py
```
2023-03-12 03:27:17 +00:00
执行完以上步骤后 dataset 目录便是预处理完成的数据, 可以删除dataset_raw文件夹了
2023-03-12 02:46:22 +00:00
## 训练
2023-03-12 03:27:17 +00:00
2023-03-12 02:46:22 +00:00
```shell
python train.py -c configs/config.json -m 44k
```
注: 训练时会自动清除老的模型, 只保留最新3个模型, 如果想防止过拟合需要自己手动备份模型记录点,或修改配置文件keep_ckpts 0为永不清除
## 推理
2023-03-12 03:27:17 +00:00
2023-03-12 02:46:22 +00:00
使用 [inference_main.py ](inference_main.py )
截止此处, 4.0使用方法( 训练、推理) 和3.0完全一致,没有任何变化(推理增加了命令行支持)
```shell
# 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"
```
2023-03-12 03:27:17 +00:00
2023-03-12 02:46:22 +00:00
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。
可选项部分:见下一节
+ -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: 聚类模型路径, 如果没有训练聚类则随便填。
+ -cr, --cluster_infer_ratio: 聚类方案占比, 范围 0-1, 若没有训练聚类模型则填 0 即可。
## 可选项
2023-03-12 03:27:17 +00:00
如果前面的效果已经满意,或者没看明白下面在讲啥,那后面的内容都可以忽略,不影响模型使用(这些可选项影响比较小,可能在某些特定数据上有点效果,但大部分情况似乎都感知不太明显)
2023-03-12 02:46:22 +00:00
### 自动f0预测
2023-03-12 03:27:17 +00:00
2023-03-12 02:46:22 +00:00
4.0模型训练过程会训练一个f0预测器, 对于语音转换可以开启自动音高预测, 如果效果不好也可以使用手动的, 但转换歌声时请不要启用此功能! ! ! 会严重跑调! !
+ 在inference_main中设置auto_predict_f0为true即可
2023-03-12 03:27:17 +00:00
2023-03-12 02:46:22 +00:00
### 聚类音色泄漏控制
2023-03-12 03:27:17 +00:00
2023-03-12 02:46:22 +00:00
介绍:聚类方案可以减小音色泄漏,使得模型训练出来更像目标的音色(但其实不是特别明显),但是单纯的聚类方案会降低模型的咬字(会口齿不清)(这个很明显),本模型采用了融合的方式,
可以线性控制聚类方案与非聚类方案的占比,也就是可以手动在"像目标音色" 和 "咬字清晰" 之间调整比例,找到合适的折中点。
使用聚类前面的已有步骤不用进行任何的变动,只需要额外训练一个聚类模型,虽然效果比较有限,但训练成本也比较低
2023-03-12 03:27:17 +00:00
2023-03-12 02:46:22 +00:00
+ 训练过程:
+ 使用cpu性能较好的机器训练, 据我的经验在腾讯云6核cpu训练每个speaker需要约4分钟即可完成训练
+ 执行python cluster/train_cluster.py ,模型的输出会在 logs/44k/kmeans_10000.pt
+ 推理过程:
+ inference_main中指定cluster_model_path
+ inference_main中指定cluster_infer_ratio, 0为完全不使用聚类, 1为只使用聚类, 通常设置0.5即可
2023-03-12 03:27:17 +00:00
### [![Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/drive/1kv-3y2DmZo0uya8pEr1xk7cSB-4e_Pct?usp=sharing) [sovits4 for colab.ipynb](https://colab.research.google.com/drive/1kv-3y2DmZo0uya8pEr1xk7cSB-4e_Pct?usp=sharing)
2023-03-12 02:46:22 +00:00
## Onnx导出
2023-03-12 03:27:17 +00:00
2023-03-12 02:46:22 +00:00
使用 [onnx_export.py ](onnx_export.py )
+ 新建文件夹:`checkpoints` 并打开
+ 在`checkpoints`文件夹中新建一个文件夹作为项目文件夹,文件夹名为你的项目名称,比如`aziplayer`
+ 将你的模型更名为`model.pth`,配置文件更名为`config.json`,并放置到刚才创建的`aziplayer`文件夹下
+ 将 [onnx_export.py ](onnx_export.py ) 中`path = "NyaruTaffy"` 的 `"NyaruTaffy"` 修改为你的项目名称,`path = "aziplayer"`
+ 运行 [onnx_export.py ](onnx_export.py )
+ 等待执行完毕,在你的项目文件夹下会生成一个`model.onnx`,即为导出的模型
2023-03-12 03:27:17 +00:00
### Onnx模型支持的UI
+ [MoeSS ](https://github.com/NaruseMioShirakana/MoeSS )
2023-03-12 02:46:22 +00:00
+ 我去除了所有的训练用函数和一切复杂的转置, 一行都没有保留, 因为我认为只有去除了这些东西, 才知道你用的是Onnx
+ 注意: Hubert Onnx模型请使用MoeSS提供的模型, 目前无法自行导出( fairseq中Hubert有不少onnx不支持的算子和涉及到常量的东西, 在导出时会报错或者导出的模型输入输出shape和结果都有问题)
[Hubert4.0 ](https://huggingface.co/NaruseMioShirakana/MoeSS-SUBModel )
## 一些法律条例参考
#### 《民法典》
##### 第一千零一十九条
任何组织或者个人不得以丑化、污损,或者利用信息技术手段伪造等方式侵害他人的肖像权。未经肖像权人同意,不得制作、使用、公开肖像权人的肖像,但是法律另有规定的除外。
未经肖像权人同意,肖像作品权利人不得以发表、复制、发行、出租、展览等方式使用或者公开肖像权人的肖像。
对自然人声音的保护,参照适用肖像权保护的有关规定。
##### 第一千零二十四条
【名誉权】民事主体享有名誉权。任何组织或者个人不得以侮辱、诽谤等方式侵害他人的名誉权。
##### 第一千零二十七条
【作品侵害名誉权】行为人发表的文学、艺术作品以真人真事或者特定人为描述对象,含有侮辱、诽谤内容,侵害他人名誉权的,受害人有权依法请求该行为人承担民事责任。
行为人发表的文学、艺术作品不以特定人为描述对象,仅其中的情节与该特定人的情况相似的,不承担民事责任。