Skip to content

Latest commit

 

History

History
244 lines (172 loc) · 11.9 KB

README.md

File metadata and controls

244 lines (172 loc) · 11.9 KB

GPT-SoVITS-WebUI

パワフルな数発音声変換・音声合成 WebUI。

madewithlove


Open In Colab License Huggingface Discord

English | 中文简体 | 日本語 | 한국어 | Türkçe


機能:

  1. ゼロショット TTS: 5 秒間のボーカルサンプルを入力すると、即座にテキストから音声に変換されます。

  2. 数ショット TTS: わずか 1 分間のトレーニングデータでモデルを微調整し、音声の類似性とリアリズムを向上。

  3. 多言語サポート: 現在、英語、日本語、中国語をサポートしています。

  4. WebUI ツール: 統合されたツールには、音声伴奏の分離、トレーニングセットの自動セグメンテーション、中国語 ASR、テキストラベリングが含まれ、初心者がトレーニングデータセットと GPT/SoVITS モデルを作成するのを支援します。

デモ動画をチェック!

未見の話者数ショット微調整デモ:

few.shot.fine.tuning.demo.mp4

ユーザーマニュアル: 简体中文 | English

インストール

テスト済みの環境

  • Python 3.9, PyTorch 2.0.1, CUDA 11
  • Python 3.10.13, PyTorch 2.1.2, CUDA 12.3
  • Python 3.9, PyTorch 2.2.2, macOS 14.4.1 (Apple silicon)
  • Python 3.9, PyTorch 2.2.2, CPUデバイス

注記: numba==0.56.4 は py<3.11 が必要です

Windows

Windows ユーザーの場合(win>=10 でテスト済み)、0206fix3 パッケージ または 0217fix2 パッケージ をダウンロードして、解凍後に go-webui.bat をダブルクリックするだけで GPT-SoVITS-WebUI を起動できます。

注:0206バージョンの推論速度は速いですが、0217の新バージョンの推論品質は優れています。必要に応じて選択してください。

Linux

conda create -n GPTSoVits python=3.9
conda activate GPTSoVits
bash install.sh

macOS

注:MacでGPUを使用して訓練されたモデルは、他のデバイスで訓練されたモデルと比較して著しく品質が低下するため、当面はCPUを使用して訓練します。

  1. xcode-select --install を実行して、Xcodeコマンドラインツールをインストールします。
  2. brew install ffmpeg または conda install ffmpeg を実行して、FFmpegをインストールします。
  3. 上記の手順を完了した後、以下のコマンドを実行してこのプロジェクトをインストールします。
conda create -n GPTSoVits python=3.9
conda activate GPTSoVits

pip install -r requirements.txt

手動インストール

依存関係をインストールします

pip install -r requirementx.txt

FFmpegをインストールします。

Conda ユーザー
conda install ffmpeg
Ubuntu/Debian ユーザー
sudo apt install ffmpeg
sudo apt install libsox-dev
conda install -c conda-forge 'ffmpeg<7'
Windows ユーザー

ffmpeg.exeffprobe.exe をダウンロードし、GPT-SoVITS のルートディレクトリに置きます。

Docker の使用

docker-compose.yaml の設定

  1. イメージのタグについて:コードベースの更新が速く、イメージのパッケージングとテストが遅いため、Docker Hub で現在パッケージされている最新のイメージをご覧になり、ご自身の状況に応じて選択するか、またはご自身のニーズに応じて Dockerfile を使用してローカルで構築してください。

  2. 環境変数:

    • is_half:半精度/倍精度の制御。"SSL 抽出"ステップ中に4-cnhubert/5-wav32kディレクトリ内の内容が正しく生成されない場合、通常これが原因です。実際の状況に応じて True または False に調整してください。
  3. ボリューム設定:コンテナ内のアプリケーションのルートディレクトリは/workspaceに設定されます。デフォルトのdocker-compose.yamlには、アップロード/ダウンロードの内容の実例がいくつか記載されています。

  4. shm_size:Windows の Docker Desktop のデフォルトの利用可能メモリが小さすぎるため、異常な動作を引き起こす可能性があります。状況に応じて適宜設定してください。

  5. deployセクションの GPU に関連する内容は、システムと実際の状況に応じて慎重に設定してください。

docker compose で実行する

docker compose -f "docker-compose.yaml" up -d

docker コマンドで実行する

上記と同様に、実際の状況に基づいて対応するパラメータを変更し、次のコマンドを実行します:

docker run --rm -it --gpus=all --env=is_half=False --volume=G:\GPT-SoVITS-DockerTest\output:/workspace/output --volume=G:\GPT-SoVITS-DockerTest\logs:/workspace/logs --volume=G:\GPT-SoVITS-DockerTest\SoVITS_weights:/workspace/SoVITS_weights --workdir=/workspace -p 9880:9880 -p 9871:9871 -p 9872:9872 -p 9873:9873 -p 9874:9874 --shm-size="16G" -d breakstring/gpt-sovits:xxxxx

事前訓練済みモデル

GPT-SoVITS Models から事前訓練済みモデルをダウンロードし、GPT_SoVITSpretrained_models に置きます。

中国語 ASR(追加)については、Damo ASR ModelDamo VAD ModelDamo Punc Model からモデルをダウンロードし、tools/asr/models に置いてください。

UVR5 (Vocals/Accompaniment Separation & Reverberation Removal, additionally) の場合は、UVR5 Weights からモデルをダウンロードして tools/uvr5/uvr5_weights に置きます。

データセット形式

TTS アノテーション .list ファイル形式:

vocal_path|speaker_name|language|text

言語辞書:

  • 'zh': 中国語
  • 'ja': 日本語
  • 'en': 英語

例:

D:\GPT-SoVITS\xxx/xxx.wav|xxx|en|I like playing Genshin.

Todo リスト

  • 優先度 高:

    • 日本語と英語でのローカライズ。
    • ユーザーガイド。
    • 日本語データセットと英語データセットのファインチューニングトレーニング。
  • 機能:

    • ゼロショット音声変換(5 秒)/数ショット音声変換(1 分)。
    • TTS スピーキングスピードコントロール。
    • TTS の感情コントロールの強化。
    • SoVITS トークン入力を語彙の確率分布に変更する実験。
    • 英語と日本語のテキストフロントエンドを改善。
    • 小型と大型の TTS モデルを開発する。
    • Colab のスクリプト。
    • トレーニングデータセットを拡張する(2k→10k)。
    • より良い sovits ベースモデル(音質向上)
    • モデルミックス

(追加の) コマンドラインから実行する方法

コマンド ラインを使用して UVR5 の WebUI を開きます

python tools/uvr5/webui.py "<infer_device>" <is_half> <webui_port_uvr5>

ブラウザを開けない場合は、以下の形式に従って UVR 処理を行ってください。これはオーディオ処理に mdxnet を使用しています。

python mdxnet.py --model --input_root --output_vocal --output_ins --agg_level --format --device --is_half_precision 

コマンド ラインを使用してデータセットのオーディオ セグメンテーションを行う方法は次のとおりです。

python audio_slicer.py \
    --input_path "<path_to_original_audio_file_or_directory>" \
    --output_root "<directory_where_subdivided_audio_clips_will_be_saved>" \
    --threshold <volume_threshold> \
    --min_length <minimum_duration_of_each_subclip> \
    --min_interval <shortest_time_gap_between_adjacent_subclips> 
    --hop_size <step_size_for_computing_volume_curve>

コマンドラインを使用してデータセット ASR 処理を行う方法です (中国語のみ)

python tools/asr/funasr_asr.py -i <input> -o <output>

ASR処理はFaster_Whisperを通じて実行されます(中国語を除くASRマーキング)

(進行状況バーは表示されません。GPU のパフォーマンスにより時間遅延が発生する可能性があります)

python ./tools/asr/fasterwhisper_asr.py -i <input> -o <output> -l <language>

カスタムリストの保存パスが有効になっています

クレジット

特に以下のプロジェクトと貢献者に感謝します:

理論研究

事前学習モデル

推論用テキストフロントエンド

WebUI ツール

すべてのコントリビューターに感謝します