只需要5秒就能克隆出你的声音_声音克隆-程序员宅基地

技术标签： python  人工智能杂谈  深度学习  pytorch  

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
在这里插入图片描述

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

在这里插入图片描述

  • 选择合成的模型
    在这里插入图片描述
    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
在这里插入图片描述
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
在这里插入图片描述
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
在这里插入图片描述
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。
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sinat_29957455/article/details/119963719

智能推荐

oracle 12c 集群安装后的检查_12c查看crs状态-程序员宅基地

文章浏览阅读1.6k次。安装配置gi、安装数据库软件、dbca建库见下：http://blog.csdn.net/kadwf123/article/details/784299611、检查集群节点及状态：[root@rac2 ~]# olsnodes -srac1 Activerac2 Activerac3 Activerac4 Active[root@rac2 ~]_12c查看crs状态

解决jupyter notebook无法找到虚拟环境的问题_jupyter没有pytorch环境-程序员宅基地

文章浏览阅读1.3w次，点赞45次，收藏99次。我个人用的是anaconda3的一个python集成环境，自带jupyter notebook，但在我打开jupyter notebook界面后，却找不到对应的虚拟环境，原来是jupyter notebook只是通用于下载anaconda时自带的环境，其他环境要想使用必须手动下载一些库：1.首先进入到自己创建的虚拟环境(pytorch是虚拟环境的名字)activate pytorch2.在该环境下下载这个库conda install ipykernelconda install nb__jupyter没有pytorch环境

国内安装scoop的保姆教程_scoop-cn-程序员宅基地

文章浏览阅读5.2k次，点赞19次，收藏28次。选择scoop纯属意外，也是无奈，因为电脑用户被锁了管理员权限，所有exe安装程序都无法安装，只可以用绿色软件，最后被我发现scoop，省去了到处下载XXX绿色版的烦恼，当然scoop里需要管理员权限的软件也跟我无缘了（譬如everything）。推荐添加dorado这个bucket镜像，里面很多中文软件，但是部分国外的软件下载地址在github，可能无法下载。以上两个是官方bucket的国内镜像，所有软件建议优先从这里下载。上面可以看到很多bucket以及软件数。如果官网登陆不了可以试一下以下方式。_scoop-cn

Element ui colorpicker在Vue中的使用_vue el-color-picker-程序员宅基地

文章浏览阅读4.5k次，点赞2次，收藏3次。首先要有一个color-picker组件 <el-color-picker v-model="headcolor"></el-color-picker>在data里面data() { return {headcolor: ’ #278add ’ //这里可以选择一个默认的颜色} }然后在你想要改变颜色的地方用v-bind绑定就好了，例如：这里的:sty..._vue el-color-picker

迅为iTOP-4412精英版之烧写内核移植后的镜像_exynos 4412 刷机-程序员宅基地

文章浏览阅读640次。基于芯片日益增长的问题，所以内核开发者们引入了新的方法，就是在内核中只保留函数，而数据则不包含，由用户（应用程序员）自己把数据按照规定的格式编写，并放在约定的地方，为了不占用过多的内存，还要求数据以根精简的方式编写。boot启动时，传参给内核，告诉内核设备树文件和kernel的位置，内核启动时根据地址去找到设备树文件，再利用专用的编译器去反编译dtb文件，将dtb还原成数据结构，以供驱动的函数去调用。firmware是三星的一个固件的设备信息，因为找不到固件，所以内核启动不成功。_exynos 4412 刷机

Linux系统配置jdk_linux配置jdk-程序员宅基地

文章浏览阅读2w次，点赞24次，收藏42次。Linux系统配置jdkLinux学习教程，Linux入门教程（超详细）_linux配置jdk

随便推点

matlab(4)：特殊符号的输入_matlab微米怎么输入-程序员宅基地

文章浏览阅读3.3k次，点赞5次，收藏19次。xlabel('\delta');ylabel('AUC');具体符号的对照表参照下图：_matlab微米怎么输入

C语言程序设计-文件(打开与关闭、顺序、二进制读写)-程序员宅基地

文章浏览阅读119次。顺序读写指的是按照文件中数据的顺序进行读取或写入。对于文本文件，可以使用fgets、fputs、fscanf、fprintf等函数进行顺序读写。在C语言中，对文件的操作通常涉及文件的打开、读写以及关闭。文件的打开使用fopen函数，而关闭则使用fclose函数。在C语言中，可以使用fread和fwrite函数进行二进制读写。‍ Biaoge 于2024-03-09 23:51发布 阅读量：7 ️文章类型：【 C语言程序设计 】在C语言中，用于打开文件的函数是____，用于关闭文件的函数是____。

Touchdesigner自学笔记之三_touchdesigner怎么让一个模型跟着鼠标移动-程序员宅基地

文章浏览阅读3.4k次，点赞2次，收藏13次。跟随鼠标移动的粒子以grid（SOP）为partical（SOP）的资源模板，调整后连接【Geo组合+point spirit（MAT)】，在连接【feedback组合】适当调整。影响粒子动态的节点【metaball(SOP)+force(SOP)】添加mouse in（CHOP)鼠标位置到metaball的坐标，实现鼠标影响。..._touchdesigner怎么让一个模型跟着鼠标移动

【附源码】基于java的校园停车场管理系统的设计与实现61m0e9计算机毕设SSM_基于java技术的停车场管理系统实现与设计-程序员宅基地

文章浏览阅读178次。项目运行环境配置：Jdk1.8 + Tomcat7.0 + Mysql + HBuilderX（Webstorm也行）+ Eclispe（IntelliJ IDEA,Eclispe,MyEclispe,Sts都支持）。项目技术：Springboot + mybatis + Maven +mysql5.7或8.0+html+css+js等等组成，B/S模式 + Maven管理等等。环境需要1.运行环境：最好是java jdk 1.8，我们在这个平台上运行的。其他版本理论上也可以。_基于java技术的停车场管理系统实现与设计

Android系统播放器MediaPlayer源码分析_android多媒体播放源码分析 时序图-程序员宅基地

文章浏览阅读3.5k次。前言对于MediaPlayer播放器的源码分析内容相对来说比较多，会从Java-&amp;amp;gt;Jni-&amp;amp;gt;C/C++慢慢分析，后面会慢慢更新。另外，博客只作为自己学习记录的一种方式，对于其他的不过多的评论。MediaPlayerDemopublic class MainActivity extends AppCompatActivity implements SurfaceHolder.Cal..._android多媒体播放源码分析 时序图

java 数据结构与算法 ——快速排序法-程序员宅基地

文章浏览阅读2.4k次，点赞41次，收藏13次。java 数据结构与算法 ——快速排序法_快速排序法

推荐文章

热门文章

相关标签