本文主要是介绍TTS | emotional-vits情绪语音合成的实现，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
本文主要介绍了情绪语音合成项目训练自己的数据集的实现过程~
innnky/emotional-vits: 无需情感标注的情感可控语音合成模型，基于VITS (github.com)
目录
0.环境设置
1.数据预处理
2..提取情绪
3.训练
4.推理
过程中遇到的问题与解决【PS】
0.环境设置
因为我用的是之前设置vits的虚拟环境，这里可能也有写不全的的地方~
git clone https://github.com/innnky/emotional-vits
cd emotional-vits
pip install -r requirements.txt# MAS 对印发音和文本：Cython-version Monotonoic Alignment Search
cd monotonic_align
python setup.py build_ext --inplace1.数据预处理
# 处理数据集
python preprocess.py --text_index 2 --filelists /jf-training-home/src/emotional-vits/filelists/bea_train.txt /jf-training-home/src/emotional-vits/filelists/val.txt --text_cleaners korean_cleaners
生成文本处理文件
对数据进行16000重采样:
import os
import librosa
import tqdm
import soundfile as sf
import timeif __name__ == '__main__':audioExt = 'WAV'input_sample = 22050output_sample = 16000audioDirectory = ['/jf-training-home/src/emotional-vits/dataset/bae_before']outputDirectory = ['/jf-training-home/src/emotional-vits/dataset/bae']start_time=time.time()for i, dire in enumerate(audioDirectory):clean_speech_paths = librosa.util.find_files(directory=dire,ext=audioExt,recurse=True, )for file in tqdm.tqdm(clean_speech_paths, desc='No.{} dataset resampling'.format(i)):fileName = os.path.basename(file)y, sr = librosa.load(file, sr=input_sample)y_16k = librosa.resample(y, orig_sr=sr, target_sr=output_sample)outputFileName = os.path.join(outputDirectory[i], fileName)sf.write(outputFileName, y_16k, output_sample)end_time=time.time()runTime=end_time - start_timeprint("Run Time: {} sec ~".format(runTime))
2..提取情绪
*注意：如果数据集是英文，可以默认提取情绪信息，如果是中文，需要更换预训练权重
！！
修改emotion_extract.py文件的第94行，改为自己的数据集路径
原代码rootpath = "dataset/nene"
改为自己的rootpath = "dataset/bae"
python emotion_extract.py --filelists src/emotional-vits/filelists/bae_train.txt src/emotional-vits/filelists/bae_val.txt如果出现问题参考【PS2】,运行时如图
文件内会生成
3.训练
#python train_ms.py -c configs/nene.json -m nene --ckptD /path/to/D_xxxx.pth --ckptG /path/to/G_xxxx.pthpython train_ms.py -c configs/bae.json -m emo_bae 如果出现错误，参考【PS3】
开始训练
一共3000条数据，8个小时epoch410->step24000
4.推理
推理使用inference.ipynb,修改配置文件，以及权重文件路径
推理结果并不是完整的句子，可能是因为ser预训练加载的是英文的，而训练的数据集并非英文。
过程中遇到的问题与解决【PS】
【PS1】RuntimeError: Given groups=1, weight of size [512, 1, 10], expected input[1, 45140, 1] to have 1 channels, but got 45140 channels instead
解决方案
pip install transformers==4.25.1#或者在emotion_extract.py文件77行增加一个维度
y = y.unsqueeze(0)
然后就解决啦~
【PS2】安装setuptools出错
删掉使用日语的库
【PS3】RuntimeError: stft requires the return_complex parameter be given for real inputs, and will further require that return_complex=True in a future PyTorch release.
打开emotional-vits/mel_processing.py, 111行
添加了 return_complex=True
然后出现RuntimeError: mat1 and mat2 shapes cannot be multiplied (80x513 and 32x513)
解决办法
pytorch包太新了导致的修改emotional-vits/mel_processing.py,
66行，67行【增加return_complex=False】
104行，105行【onesided=True后增加,return_complex=False】
其他
Q&A
怎么根据Ubuntu进程判断运行的程序？
第一步查询GPU进程
fuser使用
- 安装: sudo apt-get update
- sudo apt-get install psmisc
- 查看显卡占用的进程:
- fuser -v /dev/nvidia*
- 杀掉进程 kill -9 PID
后面都是python，说明都是python命令
通过名称查看进程
ps -ef | grep python 
对比删除自己不用的进程就可以啦~
这篇关于TTS | emotional-vits情绪语音合成的实现的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
