Delete docs/cn directory

docs/cn/datasets.md

@@ -1,29 +0,0 @@
-# 数据集准备
-仅需要以以下文件结构将数据集放入 dataset_raw 目录即可
-```shell
-dataset_raw
-├───speaker0
-│   ├───xxx1-xxx1.wav
-│   ├───...
-│   └───Lxx-0xx8.wav
-└───speaker1
-    ├───xx2-0xxx2.wav
-    ├───...
-    └───xxx7-xxx007.wav
-```
-
-# 数据预处理
-1. 重采样至 44100hz
-
-```shell
-python resample.py
-```
-2. 自动划分训练集 验证集 测试集 以及自动生成配置文件
-```shell
-python preprocess_flist_config.py
-```
-3. 生成 hubert 与 f0
-```shell
-python preprocess_hubert_f0.py
-```
-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

docs/cn/onnx.md

@@ -1,12 +0,0 @@
-# Onnx 导出
-使用 [onnx_export.py](https://github.com/svc-develop-team/so-vits-svc/blob/4.0/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](https://github.com/svc-develop-team/so-vits-svc/blob/4.0/onnx_export.py) 中 `path ="NyaruTaffy"`的`"NyaruTaffy"`修改为你的项目名称，`path = "aziplayer"`
-+ 运行 [onnx_export.py](https://github.com/svc-develop-team/so-vits-svc/blob/4.0/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
-# Onnx 模型支持的 UI
-   + [MoeSS](https://github.com/NaruseMioShirakana/MoeSS)
-+ 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)

docs/cn/requirement_models.md

@@ -1,18 +0,0 @@
-# 预先下载的模型文件
-
-sovits 依赖于以下模型进行训练、推理
-
-+ contentvec ：[checkpoint_best_legacy_500.pt](https://ibm.box.com/s/z1wgl1stco8ffooyatzdwsqn2psd9lrr)
-  + 放在 `hubert` 目录下
-+ 预训练底模文件（仅训练，可选）： [G_0.pth](https://huggingface.co/innnky/sovits_pretrained/resolve/main/sovits4/G_0.pth) 与 [D_0.pth](https://huggingface.co/innnky/sovits_pretrained/resolve/main/sovits4/D_0.pth)
-  + 放在 `logs/44k` 目录下
-```shell
-# 一键下载
-# contentvec
-wget -P hubert/http://obs.cstcloud.cn/share/obs/sankagenkeshi/checkpoint_best_legacy_500.pt
-# 也可手动下载放在 hubert 目录
-# G 与 D 预训练模型:
-wget -P logs/44k/https://huggingface.co/innnky/sovits_pretrained/resolve/main/sovits4/G_0.pth
-wget -P logs/44k/https://huggingface.co/innnky/sovits_pretrained/resolve/main/sovits4/D_0.pth
-
-```

docs/cn/skills.md

@@ -1,16 +0,0 @@
-# 技巧
-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)，
-## 自动 f0 预测
-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
-## 聚类音色泄漏控制
-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
-+ 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