122 lines
7.1 KiB
Python
122 lines
7.1 KiB
Python
import io
|
||
import logging
|
||
import time
|
||
from pathlib import Path
|
||
|
||
import librosa
|
||
import matplotlib.pyplot as plt
|
||
import numpy as np
|
||
import soundfile
|
||
|
||
from inference import infer_tool
|
||
from inference import slicer
|
||
from inference.infer_tool import Svc
|
||
|
||
logging.getLogger('numba').setLevel(logging.WARNING)
|
||
chunks_dict = infer_tool.read_temp("inference/chunks_temp.json")
|
||
|
||
|
||
|
||
def main():
|
||
import argparse
|
||
|
||
parser = argparse.ArgumentParser(description='sovits4 inference')
|
||
|
||
# 一定要设置的部分
|
||
parser.add_argument('-m', '--model_path', type=str, default="logs/44k/G_0.pth", help='模型路径')
|
||
parser.add_argument('-c', '--config_path', type=str, default="configs/config.json", help='配置文件路径')
|
||
parser.add_argument('-cl', '--clip', type=float, default=0, help='音频强制切片，默认0为自动切片，单位为秒/s')
|
||
parser.add_argument('-n', '--clean_names', type=str, nargs='+', default=["君の知らない物語-src.wav"], help='wav文件名列表，放在raw文件夹下')
|
||
parser.add_argument('-t', '--trans', type=int, nargs='+', default=[0], help='音高调整，支持正负（半音）')
|
||
parser.add_argument('-s', '--spk_list', type=str, nargs='+', default=['nen'], help='合成目标说话人名称')
|
||
|
||
# 可选项部分
|
||
parser.add_argument('-a', '--auto_predict_f0', action='store_true', default=False, help='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')
|
||
parser.add_argument('-cm', '--cluster_model_path', type=str, default="logs/44k/kmeans_10000.pt", help='聚类模型路径，如果没有训练聚类则随便填')
|
||
parser.add_argument('-cr', '--cluster_infer_ratio', type=float, default=0, help='聚类方案占比，范围0-1，若没有训练聚类模型则默认0即可')
|
||
parser.add_argument('-lg', '--linear_gradient', type=float, default=0, help='两段音频切片的交叉淡入长度，如果强制切片后出现人声不连贯可调整该数值，如果连贯建议采用默认值0，单位为秒')
|
||
parser.add_argument('-f0p', '--f0_predictor', type=str, default="pm", help='选择F0预测器,可选择crepe,pm,dio,harvest,默认为pm(注意：crepe为原F0使用均值滤波器)')
|
||
parser.add_argument('-eh', '--enhance', action='store_true', default=False, help='是否使用NSF_HIFIGAN增强器,该选项对部分训练集少的模型有一定的音质增强效果，但是对训练好的模型有反面效果，默认关闭')
|
||
parser.add_argument('-shd', '--shallow_diffusion', action='store_true', default=False, help='是否使用浅层扩散，使用后可解决一部分电音问题，默认关闭，该选项打开时，NSF_HIFIGAN增强器将会被禁止')
|
||
|
||
# 浅扩散设置
|
||
parser.add_argument('-dm', '--diffusion_model_path', type=str, default="logs/44k/diffusion/model_0.pt", help='扩散模型路径')
|
||
parser.add_argument('-dc', '--diffusion_config_path', type=str, default="logs/44k/diffusion/config.yaml", help='扩散模型配置文件路径')
|
||
parser.add_argument('-ks', '--k_step', type=int, default=100, help='扩散步数，越大越接近扩散模型的结果，默认100')
|
||
parser.add_argument('-od', '--only_diffusion', action='store_true', default=False, help='纯扩散模式，该模式不会加载sovits模型，以扩散模型推理')
|
||
|
||
# 不用动的部分
|
||
parser.add_argument('-sd', '--slice_db', type=int, default=-40, help='默认-40，嘈杂的音频可以-30，干声保留呼吸可以-50')
|
||
parser.add_argument('-d', '--device', type=str, default=None, help='推理设备，None则为自动选择cpu和gpu')
|
||
parser.add_argument('-ns', '--noice_scale', type=float, default=0.4, help='噪音级别，会影响咬字和音质，较为玄学')
|
||
parser.add_argument('-p', '--pad_seconds', type=float, default=0.5, help='推理音频pad秒数，由于未知原因开头结尾会有异响，pad一小段静音段后就不会出现')
|
||
parser.add_argument('-wf', '--wav_format', type=str, default='flac', help='音频输出格式')
|
||
parser.add_argument('-lgr', '--linear_gradient_retain', type=float, default=0.75, help='自动音频切片后，需要舍弃每段切片的头尾。该参数设置交叉长度保留的比例，范围0-1,左开右闭')
|
||
parser.add_argument('-eak', '--enhancer_adaptive_key', type=int, default=0, help='使增强器适应更高的音域(单位为半音数)|默认为0')
|
||
parser.add_argument('-ft', '--f0_filter_threshold', type=float, default=0.05,help='F0过滤阈值，只有使用crepe时有效. 数值范围从0-1. 降低该值可减少跑调概率，但会增加哑音')
|
||
|
||
|
||
args = parser.parse_args()
|
||
|
||
clean_names = args.clean_names
|
||
trans = args.trans
|
||
spk_list = args.spk_list
|
||
slice_db = args.slice_db
|
||
wav_format = args.wav_format
|
||
auto_predict_f0 = args.auto_predict_f0
|
||
cluster_infer_ratio = args.cluster_infer_ratio
|
||
noice_scale = args.noice_scale
|
||
pad_seconds = args.pad_seconds
|
||
clip = args.clip
|
||
lg = args.linear_gradient
|
||
lgr = args.linear_gradient_retain
|
||
f0p = args.f0_predictor
|
||
enhance = args.enhance
|
||
enhancer_adaptive_key = args.enhancer_adaptive_key
|
||
cr_threshold = args.f0_filter_threshold
|
||
diffusion_model_path = args.diffusion_model_path
|
||
diffusion_config_path = args.diffusion_config_path
|
||
k_step = args.k_step
|
||
only_diffusion = args.only_diffusion
|
||
shallow_diffusion = args.shallow_diffusion
|
||
|
||
svc_model = Svc(args.model_path, args.config_path, args.device, args.cluster_model_path,enhance,diffusion_model_path,diffusion_config_path,shallow_diffusion,only_diffusion)
|
||
infer_tool.mkdir(["raw", "results"])
|
||
|
||
infer_tool.fill_a_to_b(trans, clean_names)
|
||
for clean_name, tran in zip(clean_names, trans):
|
||
raw_audio_path = f"raw/{clean_name}"
|
||
if "." not in raw_audio_path:
|
||
raw_audio_path += ".wav"
|
||
infer_tool.format_wav(raw_audio_path)
|
||
for spk in spk_list:
|
||
kwarg = {
|
||
"raw_audio_path" : raw_audio_path,
|
||
"spk" : spk,
|
||
"tran" : tran,
|
||
"slice_db" : slice_db,
|
||
"cluster_infer_ratio" : cluster_infer_ratio,
|
||
"auto_predict_f0" : auto_predict_f0,
|
||
"noice_scale" : noice_scale,
|
||
"pad_seconds" : pad_seconds,
|
||
"clip_seconds" : clip,
|
||
"lg_num": lg,
|
||
"lgr_num" : lgr,
|
||
"f0_predictor" : f0p,
|
||
"enhancer_adaptive_key" : enhancer_adaptive_key,
|
||
"cr_threshold" : cr_threshold,
|
||
"k_step":k_step
|
||
}
|
||
audio = svc_model.slice_inference(**kwarg)
|
||
key = "auto" if auto_predict_f0 else f"{tran}key"
|
||
cluster_name = "" if cluster_infer_ratio == 0 else f"_{cluster_infer_ratio}"
|
||
isdiffusion = "sovits"
|
||
if shallow_diffusion : isdiffusion = "sovdiff"
|
||
if only_diffusion : isdiffusion = "diff"
|
||
res_path = f'./results/{clean_name}_{key}_{spk}{cluster_name}_{isdiffusion}.{wav_format}'
|
||
soundfile.write(res_path, audio, svc_model.target_sample, format=wav_format)
|
||
svc_model.clear_empty()
|
||
|
||
if __name__ == '__main__':
|
||
main()
|