vits_chinese模型源码
作者你好，看到了你提供的预训练模型，请问可不可以提供你使用配套的vits_chinese模型源码呢？
我按照作者说的找到的是这个repo：https://github.com/PlayVoice/vits_chinese ,确实其util方法是可以直接load的，但是配置文件缺少"train_class"和"eval_class"，我使用的是repo提供的"train_class"和"eval_class"，但是推理时报错，尺寸不对。
你好，方便加个联系方式吗？交流一下、我的邮箱 [email protected]
vits_chinese的源码大都有一些bug，需要自己去修复。
没有找到适配aishell3这种多说话人的源码呀？作者可以分享一下吗？非常感谢。[email protected]
感谢作者的分享，麻烦提供一下配套的训练代码，非常感谢：[email protected]
vits_chinese的源码是通用的，与使用哪个语料去训练无关的。
只要说的是异常和需要修正的部分。如果有个清单或者说明也好。
请问采样率是 8000？
vits_chinese 有几个不同的人维护的版本，好像还是有一些差异的。会出现missmatch模型的情况，辛苦作者，提供一下vits_chinese的源码下载地址，非常感谢。
我也遇到missmatch的问题了，用作者提供的模型在其他VITS项目没办法fine tune。希望作者能分享可以训练或者克隆的源码，感谢！
采样率可以调整的，你可以调整为8K，16K等，8K效果也很好的。源码版本：https://github.com/UEhQZXI/vits_chinese
谢谢。直接改参数吗？还是改音频文件的采样率
另外有一个发现：英文版本的话，直接训练就可以，不需要搞预训练模型。效果也很好。
题主能加个微信不：13718542435，指导一下。
参数值需要和文件的采样率保持一致。
1.与训练模型采用的是：8K，对于微调用的音频文件是否也要求必须是8K，还是可以调整为16. 二者是否必须要保持一致，毕竟8K，是一个比较少见的值。
采样参数需要和你的语音文件保持一致，与模型本身无关。
@jackyqs 大佬，我用你说这个源码(https://github.com/UEhQZXI/vits_chinese) 去fine tune你给的AISHELL底模，load_checkpoint时会抛出异常：loaded state dict contains a parameter group that doesn't match the size of optimizer's group ，求加个微信指导一下，愿付费200元，微信号：lwsdnwdr
aishell 是多人模型，看代码里面，是针对的单人模型，不知道具体如何使用。求指导。愿付费。
十分感谢作者分享的权重！
在作者给出的源码和权重下Fine-tuning （8K音频）成功，效果很好。目前使用的简单的pinyin前端，后续换好一点的前端效果应该会更好
遇到的错误：
- 加载预训练权重时报@qw4654134 的优化器错误，最简单的做法直接注释忽略即可
- 源码还有两处错误(关于bucket 和 DDP ), 在vits的官方仓库的issue都有解答方案
@llouice 看来确实需要：Fine-tuning的音频需要8K，我用的16K，训练四个小时，发现效果不行。谢谢。可以分享一些合成效果。目前还有一个问题，就是多人模型的问题。@jackyqs 如何基于这个模型，进行增量多人模型的训练？
在基础aishell3模型上finetune，有偿指导+qq 863406650
十分感谢作者分享的权重！
在作者给出的源码和权重下Fine-tuning （8K音频）成功，效果很好。目前使用的简单的pinyin前端，后续换好一点的前端效果应该会更好遇到的错误：
- 加载预训练权重时报@qw4654134 的优化器错误，最简单的做法直接注释忽略即可
- 源码还有两处错误(关于bucket 和 DDP ), 在vits的官方仓库的issue都有解答方案
你好 我想问一下自己fine-tuning的时候如果我想克隆自己的声音的话，我需要怎么修改的呀？我看repo中的config里没有speaker这个选项欸？需要参考 https://github.com/Plachtaa/VITS-fast-fine-tuning 来调整相关的config和https://github.com/UEhQZXI/vits_chinese 的相关内容么？
pinyin前端是不会影响效果的，只是个符号而已，没有speaker的话，可以忽略它。
请问"fine-tuning(8K音频)成功，效果很好"，是fine-tune到什么数据集？我fine-tune到baker标贝10000条语音的数据集（采样率转成8K）, 的确fine-tuning半个小时就能出能听的女声了（3090Ti显卡）。但是换成我自己录的数据集（10分钟总时长和30分钟总时长的都试过），训练十几个小时，吐字都不是很清楚，完全没法用，这正常么？同样的自己录的数据集在vits-fast-fine-tuning里，fine-tune 1个小时就差不多可用了，就是大佐味去不掉。
十分感谢作者分享的权重！
在作者给出的源码和权重下Fine-tuning （8K音频）成功，效果很好。目前使用的简单的pinyin前端，后续换好一点的前端效果应该会更好遇到的错误：
- 加载预训练权重时报@qw4654134 的优化器错误，最简单的做法直接注释忽略即可
- 源码还有两处错误(关于bucket 和 DDP ), 在vits的官方仓库的issue都有解答方案
您好，使用您训练好的模型直接进行推理，合成的语音咬文嚼字上虽然很好，但是读出来的文字没有情感在里面，让人感觉一听就是机器人在念稿子，这个是什么原因呢？使用这个作者提供的代码进行训练：https://github.com/Plachtaa/VITS-fast-fine-tuning ，合成的语音伴随着情感在里面，让人听不出来是机器人在读，唯一不足的是有些文字的发音不准。我想同时优化这两个方面，有没有什么好的建议呢？就是对于训练语料里不存在的文字，发音比较准，还有就是合成的语音伴随着情感在里面。
大佬，对比原有的配置发现是缺少了这些数据的，应该是在Speaker.json上才有的配置。不知道能不能提供一下？[email protected]，不胜感激
大家如果想要部署这个模型的话，可以尝试一下新一代 Kaldi 的子项目: sherpa-onnx。
底层是 c++ 实现.
完全开源免费，支持各种平台，比如, linux/macos/windows, raspberry pi, android, ios 等.