只需要5秒就能克隆出你的声音

Posted 2022-09-17 修炼之路

导读

只需要一段5秒钟的录音，就能将其他的文字转换成你的声音。Real-Time-Voice-Cloning该项目目前在git上以及接近30k的星，作者将克隆后的效果已经上传到youtube演示视频。遗憾的是这个项目只支持英文。

最近从这个项目中发展了一个中文的分支Realtime-Voice-Clone-Chinese，作者已经在效果上传到了bilibili演示视频

下面我就教大家如何在你的电脑上使用这个项目

运行环境

• 系统：Windows、Linux
• Python版本：3.7+
• pytorch版本：1.9.0
• GPU：可无

环境搭建

• 创建虚拟环境

conda create -n py3.9 python==3.9

• clone项目到本地

git clone https://github.com/babysor/Realtime-Voice-Clone-Chinese.git

• 安装项目所需要的库

pip install -r requirements.txt

• 安装pytorch
  根据pytorch官方的文档，选择适合你系统适应的安装方式，安装1.9.0版本

https://pytorch.org/get-started/locally/

• 安装webrtcvad

pip install webrtcvad-wheels

• 安装ffmpeg

下载地址：https://ffmpeg.org/download.html#get-packages

根据你的系统选择ffmpeg进行安装

测试声音克隆的效果

• 下载预训练模型

百度网盘：https://pan.baidu.com/s/1PI-hM3sn5wbeChRryX-RCQ 提取码:2021

这里大家只需要下载synthesizer文件夹就行了，节省时间。其它的两个模型已经在项目里面了，下载好后将saved_models目录放到synthesizer目录下

• 启动工具箱

#激活你的虚拟环境
activate py3.9
#进入到项目目录
cd Realtime-Voice-Clone-Chinese
#启动UI界面
python demo_toolbox.py

• 选择合成的模型
  
  合成模型有两个可以选择，ceshi和mandarin。目前ceshi的效果要好些，所以最好选择这个模型。这两个模型都是基于adatatang_200zh数据集训练出来的

• 克隆声音

提供了两种克隆声音的方式，第一种是通过录音，第二种是通过上传一段音频。通过从说话人的声音中提取声音特征信息，然后再利用这些特征信息来合成新的声音

在录完音和上传一段音频之后，在文字框内输入你想要的合成声音的文字，再点击Synthesize and vocode就能开始合成声音，合成完成之后会自动播放合成的声音。

合成后的声音中可能会包含一些杂音，点击export导出音频文件会自动过滤掉杂音。

• 异常情况

在点击Synthesize and vocode之后，在输出信息报错

我这里是没有问题的，错误信息如下所示

RuntimeError: Error(s) in loading state_dict for Tacotron: size mismatch for encoder.embedding.weight: copying a param with shape torch.Size([70, 512]) from checkpoint, the shape in current model is torch.Size([75, 512]).

或者没有报错，但是合成的声音中全是杂音没有人声，需要做下面的修改，打开Realtime-Voice-Clone-Chinese\\synthesizer\\utils目录下的symbols.py文件

将11行的代码注释掉，改成下面的代码

_characters = 'ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz12340!\\'(),-.:;? '

训练自己的模型

• 下载或者准备你想使用的数据集
• 数据集的预处理

需要使用梅尔频谱图对音频进行预处理

python synthesizer_preprocess_audio.py <datasets_root>

可以传入参数 --dataset dataset 支持adatatang_200zh,magicdata,aishell3如果是其他格式的数据集，可以将格式转换为上面这几种。

如果你的aidatatang_200zh文件放在D盘，train文件路径为 D:\\data\\aidatatang_200zh\\corpus\\train , 你的datasets_root就是 D:\\data\\

• 预处理嵌入

python synthesizer_preprocess_embeds.py <datasets_root>/SV2TTS/synthesizer

• 训练合成模型

python synthesizer_train.py mandarin <datasets_root>/SV2TTS/synthesizer

总结

从我目前的使用效果来看，合成声音的效果音色更像是数据集中的，和自己的还是有一定差距的。而且，对于一些数字和英文的效果不太理想。初步猜测应该是因为数据集的问题，毕竟训练模型的数据只有200h，而且数据中可能对于数字和英文覆盖的还不够。

建议：如果想要获得更好效果的模型，需要使用更大的数据集同时也要保证数据集的质量要高才行。