# Diff-SVC(train/inference by yourself) ## 0.环境配置 >注意:requirements文件已更新，目前分为3个版本，可自行选择使用。\ 1. requirements.txt 是此仓库测试的原始完整环境，Torch1.12.1+cu113,可选择直接pip 或删除其中与pytorch有关的项目(torch/torchvision)后再pip，并使用自己的torch环境 ``` pip install -r requirements.txt ``` >2. (推荐)requirements_short.txt 是上述环境的手动整理版，不含torch本体，也可以直接 ``` pip install -r requirements_short.txt ``` >3. 根目录下有一份@三千整理的依赖列表requirements.png，是在某品牌云服务器上跑通的，不过此torch版本已不兼容目前版本代码,但是其他部分版本可以参考，十分感谢 ## 1.推理 >使用根目录下的inference.ipynb进行推理或使用经过作者适配的@小狼的infer.py\ 在第一个block中修改如下参数： ``` config_path='checkpoints压缩包中config.yaml的位置' 如'./checkpoints/nyaru/config.yaml' config和checkpoints是一一对应的，请不要使用其他config project_name='这个项目的名称' 如'nyaru' model_path='ckpt文件的全路径' 如'./checkpoints/nyaru/model_ckpt_steps_112000.ckpt' hubert_gpu=True 推理时是否使用gpu推理hubert(模型中的一个模块)，不影响模型的其他部分 目前版本已大幅减小hubert的gpu占用，在1060 6G显存下可完整推理，不需要关闭了。 另外现已支持长音频自动切片功能(ipynb和infer.py均可)，超过30s的音频将自动在静音处切片处理，感谢@小狼的代码 ``` ### 可调节参数： ``` wav_fn='xxx.wav'#传入音频的路径，默认在项目根目录中 use_crepe=True #crepe是一个F0算法，效果好但速度慢，改成False会使用效果稍逊于crepe但较快的parselmouth算法 thre=0.05 #crepe的噪声过滤阈值，源音频干净可适当调大，噪音多就保持这个数值或者调小，前面改成False后这个参数不起作用 pndm_speedup=20 #推理加速算法倍数，默认是1000步，这里填成10就是只使用100步合成，是一个中规中矩的数值，这个数值可以高到50倍(20步合成)没有明显质量损失，再大可能会有可观的质量损失,注意如果下方开启了use_gt_mel, 应保证这个数值小于add_noise_step，并尽量让其能够整除 key=0 #变调参数，默认为0(不是1!!)，将源音频的音高升高key个半音后合成，如男声转女生，可填入8或者12等(12就是升高一整个8度) use_pe=True #梅尔谱合成音频时使用的F0提取算法，如果改成False将使用源音频的F0\ 这里填True和False合成会略有差异，通常是True会好些，但也不尽然，对合成速度几乎无影响\ (无论key填什么 这里都是可以自由选择的，不影响)\ 44.1kHz下不支持此功能，会自动关闭，开着也不报错就是了 use_gt_mel=False #这个选项类似于AI画图的图生图功能，如果打开，产生的音频将是输入声音与目标说话人声音的混合，混合比例由下一个参数确定 注意!!!：这个参数如果改成True，请确保key填成0，不支持变调 add_noise_step=500 #与上个参数有关，控制两种声音的比例，填入1是完全的源声线，填入1000是完全的目标声线，能听出来是两者均等混合的数值大约在300附近(并不是线性的，另外这个参数如果调的很小，可以把pndm加速倍率调低，增加合成质量) wav_gen='yyy.wav'#输出音频的路径，默认在项目根目录中，可通过改变扩展名更改保存文件类型 ``` 如果使用infer.py，修改方式类似，需要修改__name__=='__main__'中的部分，然后在根目录中执行\ python infer.py\ 这种方式需要将原音频放入raw中并在results中查找结果 ## 2.数据预处理与训练 ### 2.1 准备数据 >目前支持wav格式和ogg格式的音频数据，采样率最好高于24kHz，程序会自动处理采样率和声道问题。采样率不可低于16kHz（一般不会的）\ 音频需要切片为5-15s为宜的短音频，长度没有具体要求，但不宜过长过短。音频需要为纯目标人干声，不可以有背景音乐和其他人声音，最好也不要有过重的混响等。若经过去伴奏等处理，请尽量保证处理后的音频质量。\ 目前仅支持单人训练，总时长尽量保证在3h或以上，不需要额外任何标注，将音频文件放在下述raw_data_dir下即可，这个目录下的结构可以自由定义，程序会自主找到所需文件。 ### 2.2 修改超参数配置 >首先请备份一份config.yaml(此文件对应24kHz声码器, 44.1kHz声码器请使用config_nsf.yaml)，然后修改它\ 可能会用到的参数如下(以工程名为nyaru为例): ``` K_step: 1000 #diffusion过程总的step,建议不要修改 binary_data_dir: data/binary/nyaru 预处理后数据的存放地址:需要将后缀改成工程名字 config_path: training/config.yaml 你要使用的这份yaml自身的地址，由于预处理过程中会写入数据，所以这个地址务必修改成将要存放这份yaml文件的完整路径 choose_test_manually: false 手动选择测试集，默认关闭，自动随机抽取5条音频作为测试集。 如果改为ture，请在test_prefixes:中填入测试数据的文件名前缀，程序会将以对应前缀开头的文件作为测试集 这是个列表，可以填多个前缀，如： test_prefixes: - test - aaaa - 5012 - speaker1024 重要：测试集*不可以*为空，为了不产生意外影响，建议尽量不要手动选择测试集 endless_ds:False 如果你的数据集过小，每个epoch时间很短，请将此项打开，将把正常的1000epoch作为一个epoch计算 hubert_path: checkpoints/hubert/hubert.pt hubert模型的存放地址，确保这个路径是对的，一般解压checkpoints包之后就是这个路径不需要改,现已使用torch版本推理 hubert_gpu:True 是否在预处理时使用gpu运行hubert(模型的一个模块)，关闭后使用cpu，但耗时会显著增加。另外模型训练完推理时hubert是否用gpu是在inference中单独控制的，不受此处影响。目前hubert改为torch版后已经可以做到在1060 6G显存gpu上进行预处理，与直接推理1分钟内的音频不超出显存限制，一般不需要关了。 lr: 0.0008 #初始的学习率:这个数字对应于88的batchsize，如果batchsize更小，可以调低这个数值一些 decay_steps: 20000 每20000步学习率衰减为原来的一半，如果batchsize比较小，请调大这个数值 #对于30-40左右的batchsize，推荐lr=0.0004，decay_steps=40000 max_frames: 42000 max_input_tokens: 6000 max_sentences: 88 max_tokens: 128000 #batchsize是由这几个参数动态算出来的，如果不太清楚具体含义，可以只改动max_sentences这个参数，填入batchsize的最大限制值，以免炸显存 pe_ckpt: checkpoints/0102_xiaoma_pe/model_ckpt_steps_60000.ckpt #pe模型路径，确保这个文件存在，具体作用参考inference部分 raw_data_dir: data/raw/nyaru #存放预处理前原始数据的位置，请将原始wav数据放在这个目录下，内部文件结构无所谓，会自动解构 residual_channels: 384 residual_layers: 20 #控制核心网络规模的一组参数，越大参数越多炼的越慢，但效果不一定会变好，大一点的数据集可以把第一个改成512。这个可以自行实验效果，不过不了解的话尽量不动。 speaker_id: nyaru #训练的说话人名字，目前只支持单说话人，请在这里填写（只是观赏作用，没有实际意义的参数） use_crepe: true #在数据预处理中使用crepe提取F0,追求效果请打开，追求速度可以关闭 val_check_interval: 2000 #每2000steps推理测试集并保存ckpt vocoder_ckpt:checkpoints/0109_hifigan_bigpopcs_hop128 #24kHz下为对应声码器的目录, 44.1kHz下为对应声码器的文件名, 注意不要填错 work_dir: checkpoints/nyaru #修改后缀为工程名(也可以删掉或完全留空自动生成，但别乱填) no_fs2: true #对网络encoder的精简，能缩减模型体积，加快训练，且并未发现有对网络表现损害的直接证据。默认打开 ``` >其他的参数如果你不知道它是做什么的，请不要修改，即使你看着名称可能以为你知道它是做什么的。 ### 2.3 数据预处理 在diff-svc的目录下执行以下命令：\ #windows ``` set PYTHONPATH=. set CUDA_VISIBLE_DEVICES=0 python preprocessing/binarize.py --config training/config.yaml ``` #linux ``` export PYTHONPATH=. CUDA_VISIBLE_DEVICES=0 python preprocessing/binarize.py --config training/config.yaml ``` 对于预处理，@小狼准备了一份可以分段处理hubert和其他特征的代码，如果正常处理显存不足，可以先python ./network/hubert/hubert_model.py 然后再运行正常的指令，能够识别提前处理好的hubert特征 ### 2.4 训练 #windows ``` set CUDA_VISIBLE_DEVICES=0 python run.py --config training/config.yaml --exp_name nyaru --reset ``` #linux ``` CUDA_VISIBLE_DEVICES=0 python run.py --config training/config.yaml --exp_name nyaru --reset ``` >需要将exp_name改为你的工程名，并修改config路径，请确保和预处理使用的是同一个config文件\ *重要* ：训练完成后，若之前不是在本地数据预处理，除了需要下载对应的ckpt文件，也需要将config文件下载下来，作为推理时使用的config，不可以使用本地之前上传上去那份。因为预处理时会向config文件中写入内容。推理时要保持使用的config和预处理使用的config是同一份。 ### 2.5 可能出现的问题： >2.5.1 'Upsample' object has no attribute 'recompute_scale_factor'\ 此问题发现于cuda11.3对应的torch中，若出现此问题,请通过合适的方法(如ide自动跳转等)找到你的python依赖包中的torch.nn.modules.upsampling.py文件(如conda环境中为conda目录\envs\环境目录\Lib\site-packages\torch\nn\modules\upsampling.py)，修改其153-154行 ``` return F.interpolate(input, self.size, self.scale_factor, self.mode, self.align_corners,recompute_scale_factor=self.recompute_scale_factor) ``` >改为 ``` return F.interpolate(input, self.size, self.scale_factor, self.mode, self.align_corners) # recompute_scale_factor=self.recompute_scale_factor) ``` >2.5.2 no module named 'utils'\ 请在你的运行环境(如colab笔记本)中以如下方式设置: ``` import os os.environ['PYTHONPATH']='.' !CUDA_VISIBLE_DEVICES=0 python preprocessing/binarize.py --config training/config.yaml ``` 注意一定要在项目文件夹的根目录中执行 >2.5.3 cannot load library 'libsndfile.so'\ 可能会在linux环境中遇到的错误,请执行以下指令 ``` apt-get install libsndfile1 -y ``` >2.5.4 cannot load import 'consume_prefix_in_state_dict_if_present'\ torch版本过低，请更换高版本torch >2.5.5 预处理数据过慢\ 检查是否在配置中开启了use_crepe，将其关闭可显著提升速度。\ 检查配置中hubert_gpu是否开启。 如有其他问题，请加入QQ频道或discord频道询问。