没有AI歌手一键包，纯纯的算法项目

项目地址：

https://github.com/PlayVoice/so-vits-svc-5.0

来源丨元语音技术

本项目的目标群体是：深度学习初学者，具备Pyhon和PyTorch的基本操作是使用本项目的前置条件；
本项目旨在帮助深度学习初学者，摆脱枯燥的纯理论学习，通过与实践结合，熟练掌握深度学习基本知识；
本项目不支持实时变声；（也许以后会支持，但要替换掉whisper）
本项目不会开发用于其他用途的一键包。（不会指没学会）

【低配置】6G显存可训练
【无泄漏】支持多发音人
【带伴奏】也能进行转换，轻度伴奏

模型和日志：

https://github.com/PlayVoice/so-vits-svc-5.0/releases/tag/v5.3

5.0.epoch1200.full.pth模型包括：生成器+判别器=176M，可用作预训练模型；
发音人（56个）文件在configs/singers目录中，可进行推理测试，尤其测试音色泄露；
发音人22，30，47，51辨识度较高，音频样本在configs/singers_sample目录中。

GRL去音色泄漏，更多的是理论上的价值；Hugging Face Demo推理模型无泄漏主要归因于PPG扰动；由于使用了数据扰动，相比其他项目需要更长的训练时间。

数据集准备

必要的前处理：

1 降噪&去伴奏
2 频率提升
3 音质提升，基于https://github.com/openvpi/vocoders ，待整合
4 将音频剪裁为小于30秒的音频段，whisper的要求

然后以下面文件结构将数据集放入dataset_raw目录

dataset_raw
├───speaker0
│   ├───xxx1-xxx1.wav
│   ├───...
│   └───Lxx-0xx8.wav
└───speaker1
    ├───xx2-0xxx2.wav
    ├───...
    └───xxx7-xxx007.wav

安装依赖

软件依赖

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt
下载音色编码器: Speaker-Encoder by @mueller91, 解压文件，把 best_model.pth.tar 放到目录 speaker_pretrain/
下载whisper模型 multiple language medium model, 确定下载的是medium.pt，把它放到文件夹 whisper_pretrain/

数据预处理

设置工作目录

export PYTHONPATH=$PWD
重采样

生成采样率16000Hz音频, 存储路径为：./data_svc/waves-16k

python prepare/preprocess_a.py -w ./data_raw -o ./data_svc/waves-16k -s 16000

生成采样率32000Hz音频, 存储路径为：./data_svc/waves-32k

python prepare/preprocess_a.py -w ./data_raw -o ./data_svc/waves-32k -s 32000

可选的16000Hz提升到32000Hz，待完善~批处理

python bandex/inference.py -w svc_out.wav
使用16K音频，提取音高

python prepare/preprocess_f0.py -w data_svc/waves-16k/ -p data_svc/pitch
使用16k音频，提取内容编码

python prepare/preprocess_ppg.py -w data_svc/waves-16k/ -p data_svc/whisper
使用16k音频，提取音色编码

python prepare/preprocess_speaker.py data_svc/waves-16k/ data_svc/speaker
使用32k音频，提取线性谱

python prepare/preprocess_spec.py -w data_svc/waves-32k/ -s data_svc/specs
使用32k音频，生成训练索引

python prepare/preprocess_train.py
训练文件调试

python prepare/preprocess_zzz.py

训练

如果基于预训练模型微调，需要下载预训练模型5.0.epoch1200.full.pth

指定configs/base.yaml参数pretrain: ""，并适当调小学习率
设置工作目录

export PYTHONPATH=$PWD
启动训练

python svc_trainer.py -c configs/base.yaml -n sovits5.0
恢复训练

python svc_trainer.py -c configs/base.yaml -n sovits5.0 -p chkpt/sovits5.0/***.pth
查看日志，release页面有完整的训练日志

tensorboard --logdir logs/

推理

设置工作目录

export PYTHONPATH=$PWD
导出推理模型：文本编码器，Flow网络，Decoder网络；判别器和后验编码器只在训练中使用

python svc_export.py --config configs/base.yaml --checkpoint_path chkpt/sovits5.0/***.pt
使用whisper提取内容编码，没有采用一键推理，为了降低显存占用

python whisper/inference.py -w test.wav -p test.ppg.npy

生成test.ppg.npy；如果下一步没有指定ppg文件，则调用程序自动生成
提取csv文本格式F0参数，Excel打开csv文件，对照Audition或者SonicVisualiser手动修改错误的F0

python pitch/inference.py -w test.wav -p test.csv
指定参数，推理

python svc_inference.py --config configs/base.yaml --model sovits5.0.pth --spk ./configs/singers/singer0001.npy --wave test.wav --ppg test.ppg.npy --pit test.csv

当指定--ppg后，多次推理同一个音频时，可以避免重复提取音频内容编码；没有指定，也会自动提取；

当指定--pit后，可以加载手工调教的F0参数；没有指定，也会自动提取；

生成文件在当前目录svc_out.wav；

args	--config	--model	--spk	--wave	--ppg	--pit
name	配置文件	模型文件	音色文件	音频文件	音频内容	音高内容

数据集

Name	URL
KiSing	http://shijt.site/index.php/2021/05/16/kising-the-first-open-source-mandarin-singing-voice-synthesis-corpus/
PopCS	https://github.com/MoonInTheRiver/DiffSinger/blob/master/resources/apply_form.md
opencpop	https://wenet.org.cn/opencpop/download/
Multi-Singer	https://github.com/Multi-Singer/Multi-Singer.github.io
M4Singer	https://github.com/M4Singer/M4Singer/blob/master/apply_form.md
CSD	https://zenodo.org/record/4785016#.YxqrTbaOMU4
KSS	https://www.kaggle.com/datasets/bryanpark/korean-single-speaker-speech-dataset
JVS MuSic	https://sites.google.com/site/shinnosuketakamichi/research-topics/jvs_music
PJS	https://sites.google.com/site/shinnosuketakamichi/research-topics/pjs_corpus
JUST Song	https://sites.google.com/site/shinnosuketakamichi/publication/jsut-song
MUSDB18	https://sigsep.github.io/datasets/musdb.html#musdb18-compressed-stems
DSD100	https://sigsep.github.io/datasets/dsd100.html
Aishell-3	http://www.aishelltech.com/aishell_3
VCTK	https://datashare.ed.ac.uk/handle/10283/2651

代码来源和参考文献

https://github.com/facebookresearch/speech-resynthesis paper
https://github.com/jaywalnut310/vits paper
https://github.com/openai/whisper/ paper
https://github.com/NVIDIA/BigVGAN paper
https://github.com/mindslab-ai/univnet paper
https://github.com/nii-yamagishilab/project-NN-Pytorch-scripts/tree/master/project/01-nsf
https://github.com/brentspell/hifi-gan-bwe
https://github.com/mozilla/TTS
https://github.com/OlaWod/FreeVC paper
SNAC : Speaker-normalized Affine Coupling Layer in Flow-based Architecture for Zero-Shot Multi-Speaker Text-to-Speech
Adapter-Based Extension of Multi-Speaker Text-to-Speech Model for New Speakers
AdaSpeech: Adaptive Text to Speech for Custom Voice
Cross-Speaker Prosody Transfer on Any Text for Expressive Speech Synthesis
Learn to Sing by Listening: Building Controllable Virtual Singer by Unsupervised Learning from Voice Recordings
Adversarial Speaker Disentanglement Using Unannotated External Data for Self-supervised Representation Based Voice Conversion
Speaker normalization (GRL) for self-supervised speech emotion recognition

基于数据扰动防止音色泄露的方法

https://github.com/auspicious3000/contentvec/blob/main/contentvec/data/audio/audio_utils_1.py
https://github.com/revsic/torch-nansy/blob/main/utils/augment/praat.py
https://github.com/revsic/torch-nansy/blob/main/utils/augment/peq.py
https://github.com/biggytruck/SpeechSplit2/blob/main/utils.py
https://github.com/OlaWod/FreeVC/blob/main/preprocess_sr.py