MockingBird - 实时语音克隆 中文/普通话

一、关于 MockingBird

• github : https://github.com/babysor/MockingBird
• Wiki教程 : https://github.com/babysor/MockingBird/wiki/Quick-Start-(Newbie)
• DEMO VIDEO : https://www.bilibili.com/video/BV17Q4y1B7mY/
• 训练教程 : https://vaj2fgg8yn.feishu.cn/docs/doccn7kAbr3SJz0KM0SIDJ0Xnhd

特性

• 中文 支持普通话并使用多种中文数据集进行测试：aidatatang_200zh, magicdata, aishell3, biaobei, MozillaCommonVoice, data_aishell 等
• PyTorch 适用于 pytorch，已在 1.9.0 版本（最新于 2021 年 8 月）中测试，GPU Tesla T4 和 GTX 2060
• Windows + Linux 可在 Windows 操作系统和 linux 操作系统中运行（苹果系统M1版也有社区成功运行案例）
• Easy & Awesome 仅需下载或新训练合成器（synthesizer）就有良好效果，复用预训练的编码器/声码器，或实时的HiFi-GAN作为vocoder
• Webserver Ready 可伺服你的训练结果，供远程调用

二、安装

安装要求

1、通用配置

按照原始存储库测试您是否已准备好所有环境。 运行工具箱(demo_toolbox.py)需要 Python 3.7 或更高版本 。

• 安装 PyTorch。
  如果在用 pip 方式安装的时候出现 ERROR: Could not find a version that satisfies the requirement torch==1.9.0+cu102 (from versions: 0.1.2, 0.1.2.post1, 0.1.2.post2) 这个错误可能是 python 版本过低，3.9 可以安装成功
• 安装 ffmpeg。
• 运行pip install -r requirements.txt 来安装剩余的必要包。
  这里的环境建议使用 Repo Tag 0.0.1 Pytorch1.9.0 with Torchvision0.10.0 and cudatoolkit10.2 requirements.txt webrtcvad-wheels 因为 requiremants.txt 是在几个月前导出的，所以不适配新版本
• 安装 webrtcvad pip install webrtcvad-wheels。
  或者
• 用conda 或者 mamba 安装依赖

conda env create -n env_name -f env.yml

mamba env create -n env_name -f env.yml

会创建新环境安装必须的依赖. 之后切换环境就完成了:

conda activate env_name

env.yml只包含了运行时必要的依赖，暂时不包括monotonic-align，如果想要装GPU版本的pytorch可以查看官网教程。

2、M1芯片Mac环境配置（Inference Time)

以下环境按x86-64搭建，使用原生的demo_toolbox.py，可作为在不改代码情况下快速使用的workaround。
如需使用M1芯片训练，因demo_toolbox.py依赖的PyQt5不支持M1，则应按需修改代码，或者尝试使用web.py。

2.1 安装PyQt5

参考 ： https://stackoverflow.com/a/68038451/20455983

• 用Rosetta打开Terminal，参考这个链接
• 用系统Python创建项目虚拟环境

/usr/bin/python3 -m venv /PathToMockingBird/venv
source /PathToMockingBird/venv/bin/activate

• 升级pip并安装 PyQt5

pip install --upgrade pip
pip install pyqt5

2.2 安装pyworld和ctc-segmentation

这里两个文件直接pip install的时候找不到wheel，尝试从c里build时找不到Python.h报错

• 安装pyworld
  • brew install python 通过brew安装python时会自动安装Python.h
  • export CPLUS_INCLUDE_PATH=/opt/homebrew/Frameworks/Python.framework/Headers 对于M1，brew安装Python.h到上述路径。把路径添加到环境变量里
  • pip install pyworld
• 安装ctc-segmentation
  因上述方法没有成功，选择从github clone源码手动编译
  • git clone https://github.com/lumaku/ctc-segmentation.git 克隆到任意位置
  • cd ctc-segmentation
  • source /PathToMockingBird/venv/bin/activate 假设一开始未开启，打开MockingBird项目的虚拟环境
  • cythonize -3 ctc_segmentation/ctc_segmentation_dyn.pyx
  • /usr/bin/arch -x86_64 python setup.py build 要注意明确用x86-64架构编译
  • /usr/bin/arch -x86_64 python setup.py install --optimize=1 --skip-build用x86-64架构安装

2.3 安装其他依赖

• /usr/bin/arch -x86_64 pip install torch torchvision torchaudio 这里用pip安装PyTorch，明确架构是x86
• pip install ffmpeg 安装ffmpeg
• pip install -r requirements.txt

2.4 运行

参考这个链接 ，让项目跑在x86架构环境上

• vim /PathToMockingBird/venv/bin/pythonM1
• 写入以下代码

#!/usr/bin/env zsh
mydir=${0:a:h}
/usr/bin/arch -x86_64 $mydir/python "$@"

• chmod +x pythonM1 设为可执行文件
• 如果使用PyCharm，则把Interpreter指向pythonM1，否则也可命令行运行/PathToMockingBird/venv/bin/pythonM1 demo_toolbox.py

三、准备预训练模型

考虑训练您自己专属的模型或者下载社区他人训练好的模型:
近期创建了知乎专题 将不定期更新炼丹小技巧or心得，也欢迎提问

1、使用数据集自己训练encoder模型 (可选)

• 进行音频和梅尔频谱图预处理： python encoder_preprocess.py <datasets_root> 使用-d {dataset} 指定数据集，支持 librispeech_other，voxceleb1，aidatatang_200zh，使用逗号分割处理多数据集。
• 训练encoder: python encoder_train.py my_run <datasets_root>/SV2TTS/encoder
  训练encoder使用了visdom。你可以加上-no_visdom禁用visdom，但是有可视化会更好。在单独的命令行/进程中运行"visdom"来启动visdom服务器。

2、使用数据集自己训练合成器模型（与2.3二选一）

• 下载 数据集并解压：确保您可以访问 train 文件夹中的所有音频文件（如.wav）
• 进行音频和梅尔频谱图预处理： python pre.py <datasets_root> -d {dataset} -n {number} 可传入参数：
• -d {dataset} 指定数据集，支持 aidatatang_200zh, magicdata, aishell3, data_aishell, 不传默认为aidatatang_200zh
• -n {number} 指定并行数，CPU 11770k + 32GB实测10没有问题
  假如你下载的 aidatatang_200zh文件放在D盘，train文件路径为 D:\data\aidatatang_200zh\corpus\train , 你的datasets_root就是 D:\data\
• 训练合成器： python ./control/cli/synthesizer_train.py mandarin <datasets_root>/SV2TTS/synthesizer
• 当您在训练文件夹 synthesizer/saved_models/ 中看到注意线显示和损失满足您的需要时，请转到启动程序一步。

3、使用社区预先训练好的合成器（与2二选一）

当实在没有设备或者不想慢慢调试，可以使用社区贡献的模型(欢迎持续分享):

4、训练声码器 (可选)

对效果影响不大，已经预置3款，如果希望自己训练可以参考以下命令。

• 预处理数据: python vocoder_preprocess.py <datasets_root> -m <synthesizer_model_path>
<datasets_root>替换为你的数据集目录，<synthesizer_model_path>替换为一个你最好的synthesizer模型目录，例如 sythensizer\saved_models\xxx
• 训练wavernn声码器: python ./control/cli/vocoder_train.py <trainid> <datasets_root>
<trainid>替换为你想要的标识，同一标识再次训练时会延续原模型
• 训练hifigan声码器: python ./control/cli/vocoder_train.py <trainid> <datasets_root> hifigan
<trainid>替换为你想要的标识，同一标识再次训练时会延续原模型
• 训练fregan声码器: python ./control/cli/vocoder_train.py <trainid> <datasets_root> --config config.json fregan
<trainid>替换为你想要的标识，同一标识再次训练时会延续原模型
• 将GAN声码器的训练切换为多GPU模式：修改GAN文件夹下.json文件中的"num_gpus"参数

四、启动程序或工具箱

您可以尝试使用以下命令：

1、启动Web程序（v2）：

python web.py` 运行成功后在浏览器打开地址, 默认为 `http://localhost:8080

• 仅支持手动新录音（16khz）, 不支持超过4MB的录音，最佳长度在5~15秒

2、启动工具箱：

python demo_toolbox.py -d <datasets_root>

请指定一个可用的数据集文件路径，如果有支持的数据集则会自动加载供调试，也同时会作为手动录制音频的存储目录。

五、番外：语音转换 Voice Conversion(PPG based)

想像柯南拿着变声器然后发出毛利小五郎的声音吗？本项目现基于PPG-VC，引入额外两个模块（PPG extractor + PPG2Mel）, 可以实现变声功能。（文档不全，尤其是训练部分，正在努力补充中）

1、准备环境

• 确保项目以上环境已经安装ok，运行pip install espnet 来安装剩余的必要包。
• 下载以下模型 链接： https://pan.baidu.com/s/1bl_x_DHJSAUyN2fma-Q_Wg 提取码：gh41
  • 24K采样率专用的vocoder（hifigan）到 vocoder\saved_models\xxx
  • 预训练的ppg特征encoder(ppg_extractor)到 ppg_extractor\saved_models\xxx
  • 预训练的PPG2Mel到 ppg2mel\saved_models\xxx

2、使用数据集自己训练PPG2Mel模型 (可选)

• 下载aidatatang_200zh数据集并解压：确保您可以访问 train 文件夹中的所有音频文件（如.wav）
• 进行音频和梅尔频谱图预处理： python ./control/cli/pre4ppg.py <datasets_root> -d {dataset} -n {number} 可传入参数：
• -d {dataset} 指定数据集，支持 aidatatang_200zh, 不传默认为aidatatang_200zh
• -n {number} 指定并行数，CPU 11700k在8的情况下，需要运行12到18小时！待优化
  假如你下载的 aidatatang_200zh文件放在D盘，train文件路径为 D:\data\aidatatang_200zh\corpus\train , 你的datasets_root就是 D:\data\
• 训练合成器, 注意在上一步先下载好ppg2mel.yaml, 修改里面的地址指向预训练好的文件夹： python ./control/cli/ppg2mel_train.py --config .\ppg2mel\saved_models\ppg2mel.yaml --oneshotvc
• 如果想要继续上一次的训练，可以通过--load .\ppg2mel\saved_models\<old_pt_file> 参数指定一个预训练模型文件。

3、启动工具箱VC模式

您可以尝试使用以下命令： python demo_toolbox.py -vc -d <datasets_root>
请指定一个可用的数据集文件路径，如果有支持的数据集则会自动加载供调试，也同时会作为手动录制音频的存储目录。

六、常见问题(FQ&A)

1.数据集在哪里下载?

解压 aidatatang_200zh 后，还需将 aidatatang_200zh\corpus\train下的文件全选解压缩

2、<datasets_root>是什麼意思?

假如数据集路径为 D:\data\aidatatang_200zh，那么 <datasets_root>就是 D:\data

3、训练模型显存不足

训练合成器时：将 synthesizer/hparams.py中的batch_size参数调小

//调整前
tts_schedule = [(2,  1e-3,  20_000,  12),   # Progressive training schedule
                (2,  5e-4,  40_000,  12),   # (r, lr, step, batch_size)
                (2,  2e-4,  80_000,  12),   #
                (2,  1e-4, 160_000,  12),   # r = reduction factor (# of mel frames
                (2,  3e-5, 320_000,  12),   #     synthesized for each decoder iteration)
                (2,  1e-5, 640_000,  12)],  # lr = learning rate
//调整后
tts_schedule = [(2,  1e-3,  20_000,  8),   # Progressive training schedule
                (2,  5e-4,  40_000,  8),   # (r, lr, step, batch_size)
                (2,  2e-4,  80_000,  8),   #
                (2,  1e-4, 160_000,  8),   # r = reduction factor (# of mel frames
                (2,  3e-5, 320_000,  8),   #     synthesized for each decoder iteration)
                (2,  1e-5, 640_000,  8)],  # lr = learning rate

声码器-预处理数据集时：将 synthesizer/hparams.py中的batch_size参数调小

//调整前
### Data Preprocessing
        max_mel_frames = 900,
        rescale = True,
        rescaling_max = 0.9,
        synthesis_batch_size = 16,                  # For vocoder preprocessing and inference.
//调整后
### Data Preprocessing
        max_mel_frames = 900,
        rescale = True,
        rescaling_max = 0.9,
        synthesis_batch_size = 8,                  # For vocoder preprocessing and inference.

声码器-训练声码器时：将 vocoder/wavernn/hparams.py中的batch_size参数调小

//调整前
# Training
voc_batch_size = 100
voc_lr = 1e-4
voc_gen_at_checkpoint = 5
voc_pad = 2

//调整后
# Training
voc_batch_size = 6
voc_lr = 1e-4
voc_gen_at_checkpoint = 5
voc_pad =2

4、碰到 RuntimeError

RuntimeError: Error(s) in loading state_dict for Tacotron: size mismatch for encoder.embedding.weight: copying a param with shape torch.Size([70, 512]) from checkpoint, the shape in current model is torch.Size([75, 512]).

请参照 issue #37

5、如何改善CPU、GPU占用率?

视情况调整batch_size参数来改善

6、发生 页面文件太小，无法完成操作

请参考这篇文章，将虚拟内存更改为100G(102400)，例如:文件放置D盘就更改D盘的虚拟内存

7、什么时候算训练完成？

首先一定要出现注意力模型，其次是loss足够低，取决于硬件设备和数据集。拿本人的供参考，我的注意力是在 18k 步之后出现的，并且在 50k 步之后损失变得低于 0.4 [

引用及论文

该库一开始从仅支持英语的Real-Time-Voice-Cloning 分叉出来的，鸣谢作者。

2024-08-04（日）