义无反顾马督工,Bert-vits2V210复刻马督工实践(Python3.10)

Bert-vits2更新了版本V210，修正了日/英的bert对齐问题，效果进一步优化；对底模使用的数据进行优化和加量，减少finetune失败以及电音的可能性；日语bert更换了模型，完善了多语言推理。

https://github.com/fishaudio/Bert-VITS2/releases/tag/2.1

最近的事情大家也都晓得了，马督工义无反顾带头冲锋，身体力行地实践着横渠四句：为天地立心，为生民立命，为往圣继绝学，为万世开太平。

本次我们基于Bert-vits2的新版本V210，复刻马督工，向他致敬。

Bert-vits2V210整备数据集

我们知道马督工的风格是语速极快，也没啥肢体语言，语调上也基本没有变化，除了换气，基本上就像机关枪一样无限念稿。当然，这也是因为睡前消息内容密度过大导致的，但作为深度学习训练数据集来说，睡前消息节目的音频素材显然是不合格的。

真正好的高质量数据集应该包含以下几个特征：

音色多样性：数据集应该包含目标说话人的多个语音样本，涵盖他们在不同情感状态、不同语速和不同音高下的说话。这样可以捕捉到目标说话人在不同情境下的声音特征。

音频质量：确保语音样本的音频质量高，没有明显的噪声、失真或其他干扰。音频质量的好坏直接影响到复刻结果的质量。

多样的语音内容：语音样本应该包含不同类型的语音内容，例如单词、短语、句子和段落。这有助于捕捉到目标说话人在不同语境下的音色特征。

语音平衡：确保数据集中包含目标说话人的样本数量相对平衡，以避免训练出偏向某些样本的模型。

覆盖不同音高：收集目标说话人在不同音高和音调下的语音样本。这样可以更好地捕捉到他们声音的变化和音高特征。

语音环境：包含不同环境下的语音样本，例如室内、室外、静音和嘈杂环境等。这样可以使复刻的音色更具鲁棒性，适应不同的环境条件。

长度和多样性：语音样本的长度和多样性也是需要考虑的因素。收集包含不同长度和语音风格的样本，以便更好地捕捉到目标说话人的声音特征。

当然了，完全满足上述特点基本不太可能，这里选择马督工和刘女神的一段采访视频：

https://www.bilibili.com/video/BV1sN411M73g/

首先将视频进行下载，这里使用you-get:

pip install you-get

运行命令：

https://www.bilibili.com/video/BV1sN411M73g/

下载成功后，将马督工的声音提取出来。

Bert-vits2V210训练模型

首先克隆笔者fork自官网的v210项目:

git clone https://github.com/v3ucn/Bert-VITS2_V210.git

将素材放入Data/meimei/raw/meimei目录中，注意必须是wav文件。

然后更换新的底模，下载地址：

https://openi.pcl.ac.cn/Stardust_minus/Bert-VITS2/modelmanage/show_model

把Bert-VITS2_2.1-Emo底模放入项目的pretrained_models目录。

同时单独把deberta-v2-large-japanese-char-wwm模型放入到项目的bert/deberta-v2-large-japanese-char-wwm目录中。

由于新增了多维情感模型，所以也需要单独下载模型：

https://huggingface.co/facebook/wav2vec2-large-robust/tree/main

放入项目的emotional目录：

E:\work\Bert-VITS2-v21_demo\emotional>tree /f

Folder PATH listing for volume myssd

Volume serial number is 7CE3-15AE

E:.

└───wav2vec2-large-robust-12-ft-emotion-msp-dim

.gitattributes

config.json

LICENSE

preprocessor_config.json

pytorch_model.bin

README.md

vocab.json

运行脚本，切分素材：

python3 audio_slicer.py

随后进行重采样和文本识别：

python3 short_audio_transcribe.py

接着进行标注：

python3 preprocess_text.py

和V2.0.2不同的是，V2.1需要生成多维情感模型文件：

python3 emo_gen.py

相对于原版，新版增加了，针对训练集的spec缓存，可以有效提高训练效率：

python3 spec_gen.py

最后生成bert模型可读文件：

python3 bert_gen.py

最后开始训练：

python3 train_ms.pyBert-vits2V210模型推理

模型训练好之后，进入到推理环节，首先修改根目录的config.yml文件：

bert_gen:

config_path: config.json

device: cuda

num_processes: 2

use_multi_device: false

dataset_path: Data\meimei

mirror: ''

openi_token: ''

preprocess_text:

clean: true

cleaned_path: filelists/cleaned.list

config_path: config.json

max_val_total: 8

train_path: filelists/train.list

transcription_path: filelists/short_character_anno.list

val_path: filelists/val.list

val_per_spk: 5

resample:

in_dir: raw

out_dir: raw

sampling_rate: 44100

server:

device: cuda

models:

- config: ./Data/meimei/config.json

device: cuda

language: ZH

model: ./Data/meimei/models/G_0.pth

speakers:

- length_scale: 1

noise_scale: 0.6

noise_scale_w: 0.8

sdp_ratio: 0.2

speaker: "\u79D1\u6BD4"

- length_scale: 0.5

noise_scale: 0.7

noise_scale_w: 0.8

sdp_ratio: 0.3

speaker: "\u4E94\u6761\u609F"

- length_scale: 1.2

noise_scale: 0.6

noise_scale_w: 0.8

sdp_ratio: 0.2

speaker: "\u5B89\u500D\u664B\u4E09"

- config: ./Data/meimei/config.json

device: cuda

language: JP

model: ./Data/meimei/models/G_0.pth

speakers: []

port: 7860

train_ms:

base:

model_image: "Bert-VITS2_2.1-Emo底模"

repo_id: Stardust_minus/Bert-VITS2

use_base_model: false

config_path: config.json

env:

MASTER_ADDR: localhost

MASTER_PORT: 10086

RANK: 0

THE_ENV_VAR_YOU_NEED_TO_USE: '1234567'

WORLD_SIZE: 1

keep_ckpts: 8

model: models

num_workers: 16

spec_cache: true

translate:

app_key: ''

secret_key: ''

webui:

config_path: Data/meimei/config.json

debug: false

device: cuda

language_identification_library: langid

model: models/G_150.pth

port: 7860

share: false

在后面的webui配置中写入模型文件名:model: models/G_150.pth。

随后启动推理脚本：

python3 webui.py

就可以进行推理了：

请注意，推理建议使用官方的基于Gradio版本的推理页面，而非FastApi的版本。

结语

本项目只是用于Bert-vits2的研究和测试，毫无疑问，想通过30秒的素材就复刻马督工根本是天方夜谭，但马督工的精神，是我们每一个人都可以复刻的。