Skip to content

Latest commit

 

History

History
236 lines (164 loc) · 11.2 KB

README.md

File metadata and controls

236 lines (164 loc) · 11.2 KB

GPT-SoVITS-WebUI

パワフルな数発音声変換・音声合成 WebUI。

madewithlove


Open In Colab Licence Huggingface

English | 中文简体 | 日本語 | 한국어


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

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 2.3.0.dev20240122, macOS 14.3 (Apple silicon)

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)、事前にパッケージ化されたディストリビューションを直接ダウンロードし、go-webui.bat をダブルクリックして GPT-SoVITS-WebUI を起動することができます。

Linux

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

macOS

モデルをトレーニングできるMacは、以下の条件を満たす必要があります:

  • Appleシリコンを搭載したMacコンピュータ
  • macOS 12.3以降
  • xcode-select --installを実行してインストールされたXcodeコマンドラインツール

すべてのMacはCPUを使用して推論を行うことができ、GPU推論よりも優れていることが実証されています。

まず、brew install ffmpegまたはconda install ffmpegを実行してFFmpegをインストールしたことを確認してください。次に、以下のコマンドを使用してインストールします:

conda create -n GPTSoVits python=3.9
conda activate GPTSoVits

pip3 install --pre torch torchaudio --index-url https://download.pytorch.org/whl/nightly/cpu
pip install -r requirements.txt

注:PyTorch Nightlyをインストールした場合にのみ、モデルのトレーニングが可能です。

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/damo_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

(オプション) 必要に応じて、コマンドライン操作モードが提供されます。

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/damo_asr/cmd-asr.py "<Path to the directory containing input audio files>"

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/damo_asr/WhisperASR.py -i <input> -o <output> -f <file_name.list> -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

以下のプロジェクトとコントリビューターに感謝します:

すべてのコントリビューターに感謝します