基于PyTorch的VITS-BigVGAN的tts中文模型，加入韵律预测模型。.zip

# VITS+BigVGAN+SpanPSP 中文TTS 本项目实现vits+BigVGAN端到端的中文TTS 模型，推理阶段加入中文韵律预测模型，实现的带韵律预测的中文TTS模型。 ## 1.环境准备(Environment) - Python 3.7 or higher. - Pytorch 1.9.0, or any compatible version. - NLTK 3.2, torch-struct 0.4, transformers 4.3.0, or compatible. - pytokenizations 0.7.2 or compatible. - 安装espeak库：apt-get install espeak - 编译monotonic_align: ``` cd monotonic_align python setup.py build_ext --inplace ``` ## 2.数据(Dataset) 使用标贝16k，10000句中文女声数据进行tts训练。 ## 3.项目结构(Repository structure) ``` VITS-BigVGAN-Chinese ├──benepar | ├──integrations | ├── ... ├──bert-base-chinese | ├──config.json | ├──pytorch_model.bin | └──vocab.txt ├──configs | ├──baker_bigvgan_vits.json ├──dataset | ├──baker | ├──000001.txt | ├──000001.wav | ├── ... | ├──baker_npz | ├──000001-010000.txt | └──baker_train.txt ├──logs ├──misc ├──monotonic_align ├──text ├──vits_out ├──weights | ├──pretrained_SpanPSP_Databaker.pt ├──... ├──README.md ``` ### bert-base-chinese > Link: https://huggingface.co/bert-base-chinese ## 4.数据预处理(Data preprocessing) 使用标贝16k女声数据集 ``` cd dataset #解压baker的txt tar -xvf baker.tar #拷贝你的baker音频文件到./dataset/baker下 cp /你的标贝数据路径/*.wav ./baker/ cd .. python preprocess.py ``` 预处理数据格式如下所示： ``` ├──dataset | ├──baker #预处理文件 | ├──000001.txt | ├──000001.wav | ├── ... | ├──baker_npz #预处理后文件保存路径 | ├──000001-010000.txt #baker原始标注文件 | └──baker_train.txt #baker转音素韵律后标注文件 ``` 000001.wav中文标注 ``` 卡尔普#2陪外孙#1玩滑梯#4。 ``` 转为dataset/baker/000001.txt ``` sil k a2 #0 ^ er2 #0 p u3 #2 p ei2 #0 ^ uai4 #0 s uen1 #1 ^ uan2 #0 h ua2 #0 t i1 #4 sil eos ``` 注：如需使用其他数据集，需按标贝格式和韵律标注方式制作数据集。 ## 5.模型训练(Training) ``` python train_vits_with_bigvgan.py -c configs/baker_bigvgan_vits.json -m baker ``` ## 6.模型推理(Inference) 模型tts合成vits_strings.txt文本内容 ``` python vits_strings_psp.py ``` 其中vits_strings.txt文本内容在推理阶段使用SpanPSP的模型进行语录预测： ``` #输入： 猴子用尾巴荡秋千 #韵律预测结果： 猴子#2用#1尾巴#2荡秋千#4。 ``` ## 7.合成效果(Results) 标贝数据集合成效果： ``` #输入： 云雾有时宛如玉带平卧峰峦山涧，有时炊烟袅绕，薄雾轻旋。 #韵律预测结果： 云雾#2有时#1宛如#1玉带#2平卧#2峰峦#1山涧#3有时#2炊烟#1袅绕#3薄雾#1轻旋#4 #合成结果： ./vits_out/baker_output.wav ``` ## 8.预训练模型（Pretrained model） #### weights/pretrained_SpanPSP_Databaker.pt: https://pan.baidu.com/s/1Cox0ouFCUKJLemysiLZ4vQ 提取码:7ell #### bert-base-chinese: https://pan.baidu.com/s/1twX20z1O_xqMVyq_le4E5g 提取码:p12j #### ./logs/baker/G_745000.pth: 链接：https://pan.baidu.com/s/1qxR1AdQAFrOR1QItofwLGA 提取码：n8cs ## 扩展(Extension) #### 最近在试验基于4k视频的人物换装和物品替换，感兴趣的可以去看看视频展示的效果，我会在空闲时逐步整理代码更新项目： https://github.com/Zz-ww/Virtual-try-on-4kVideo ## 参考(Reference) - BigVGAN: https://arxiv.org/abs/2206.04658 - BigVGAN:https://github.com/sh-lee-prml/BigVGAN - VITS: https://github.com/jaywalnut310/vits - SpanPSP:https://github.com/thuhcsi/SpanPSP - vits_chinese:https://github.com/lutianxiong/vits_chinese