zzc0208 c46e5e2fb8 更新 'README.md'		1 year ago
README.md	更新 'README.md'	1 year ago

run.py	添加 'run.py'	2 years ago

README.md

so-vits-svc for openi

这个仓库将介绍如何使用openi的so-vits-svc镜像进行训练与推理

使用前必读：

该项目仅供进行ai调试学习，请勿用于任何违法用途
请自行解决数据集授权问题，禁止使用非授权数据集进行训练！
任何由于使用非授权数据集进行训练造成的问题，需使用者自行承担全部责任和后果！与仓库、仓库维护者、svc develop team 、本镜像制作者无关！
so-vits-svc原项目链接:https://github.com/svc-develop-team/
本镜像内置的程序版本是多玩幻灵qwq改动过log样式的版本，仓库链接:https://openi.pcl.ac.cn/HuanLin/so-vits-svc-huan0
请在正式启动云脑任务前先完整阅读此指南谢谢喵

如何使用：

在创建云脑时填写以下镜像链接

智算集群：

192.168.242.22:443/default-workspace/fccb038c23234b9e80105d4ccd152117/image:so-vits-svc-4.1_ZS

关于集群的介绍

智算集群的调试任务是T4 15G，V100S 32G与A100 40G(均单次最长运行4小时)
如使用调试任务时间到了需要重新开机继续训练
智算集群的训练任务是V100S 32G与A100 40G

关于调试任务与训练任务的差别

调试任务有jupyterlab，有交互式界面，训练任务是封闭式的
训练任务只能开始提交一次指令，需要自行配置训练代码，或者配置jupyterlab
调试任务限时4小时，训练任务不限时

关于镜像的介绍

两个集群的镜像均已配置好环境与程序，程序存放在/root/so-vits-svc
输入下列命令便于操作(su后可以tab补全) (JupyterLab左侧的文件区对应的是/code目录)

su
mv /root/so-vits-svc /tmp/code

如何使用这个镜像训练so-vits-svc模型

Step.1 切片上传数据集

在上传数据前需将音频切片成3-12s，可以使用 audio-slicer-GUI、audio-slicer-CLI
切片完成后，需要以以下文件结构将数据集放入 dataset_raw 目录 (音频文件仅支持wav格式，且路径仅能包含英文，数字，下划线，以下仅作示范，合规命名都行)

dataset_raw
├───speaker0
│ ├───xxx1-xxx1.wav
│ ├───...
│ └───Lxx-0xx8.wav
└───speaker1
├───xx2-0xxx2.wav
├───...
└───xxx7-xxx007.wav

推荐：将数据集打包上传到openi并挂载，数据集将被挂载在/dataset，可以使用以下命令进行移动并解压
建议：小于1G打包成zip文件，大于1G打包成tar.gz文件

cp /tmp/dataset/* /tmp/code/so-vits-svc/dataset_raw/
cd /tmp/code/so-vits-svc/dataset_raw/
unzip ./*.zip
tar -xvf ./*.tar.gz
rm ./*.zip
rm ./*.tar.gz
cd ..

Step.2 预处理

Step.2.1 重采样音频至44.1k

python3 resample.py

以上这行代码包含响度匹配，有可能损失音质，如果已经进行过响度匹配，可以执行下面这行跳过响度匹配

python3 resample.py --skip_loudnorm

Step.2.2 自动划分训练集、验证集，以及生成配置文件

python3 preprocess_flist_config.py --speech_encoder vec768l12

响度嵌入可以使输出音频的响度匹配推理输入音频的响度 响度嵌入对素材质量要求较高，若使用响度嵌入，需要使用下面这行指令：

python3 preprocess_flist_config.py --speech_encoder vec768l12 --vol_aug

此时可以在生成的 config.json 与 diffusion.yaml 修改部分参数

config.json

keep_ckpts：训练时保留最后几个模型，0为保留所有，默认只保留最后3个，根据本人实测，本平台可以开到25不报错，不建议更大
batch_size：单次处理的数据量。较大的 batch size 可以利用硬件资源并行计算，加快训练速度。因为 GPU 等硬件设备在处理大规模矩阵运算时效率更高。但是，更大的 batchsize 会导致显存占用增加，超出硬件所能承受的范围便会出现 Cuda out of memory
关于设置Batch size的建议，使用T4 15G时不建议超过15，使用V100S 32G时不建议超过35，使用A100 40G时不建议超过46
learning_rate : 默认0.0001，可适当调大，加快模型收敛速度，bs15可设置成0.00015，bs35时可设置成0.000235，bs46可设置成0.00028
fp16_run :是否启用半精度计算，默认False，打开可加快模型训练速度 (fp16大概能快30-55%，bf16大概能快3-8%)。
half_type ：默认fp16，如果是A100可使用BF16，V100S和T4不支持BF16 (不建议使用BF16!)
BF16 相比 FP16 没那么容易 NaN，但是损失精度比FP16更严重 (经实测，本平台提供的A100跑BF16的速度和FP32不相上下，不建议使用，起不到加速作用)
FP16 相比 FP32/BF16 更容易 NaN，但是精度比 BF16 高，对比 FP32 也损失不多

diffusion.yaml

cache_device：缓存的设备，默认的cpu是缓存到内存，改成cuda可以缓存至显存，效率高于内存
k_step_max : 训练时可仅训练k_step_max步扩散以节约训练时间，注意，该值必须小于1000，默认为 0 训练整个扩散模型，建议改成100以提高训练速度和浅扩散的质量，(注意，如果不训练整个扩散模型将无法使用仅扩散模型推理！)

Step.2.3 生成 hubert 与 f0

python3 preprocess_hubert_f0.py --f0_predictor rmvpe --use_diff --num_processes 3

f0_predictor 建议在以下几个中选择

crepe
rmvpe
fcpe

rmvpe音质等多方面综合最好；fcpe最快，同时音质不输crepe；crepe对于嘈杂音频处理稍好，个人推荐rmvpe

num_processes是处理线程数，2比1略快

ps.1.A100算力使用3线程RMVPE处理1小时音频大约需要10分钟，可以估算一下
ps.2.如果卡在100%超过2分钟，例如以下所示，可以Ctrl+C强行结束

Preprocessing ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╸ 100% 0:00:01 *Elapsed 0:59:57

Step.3 训练

Step.3.1 主模型训练

python3 train.py -c configs/config.json -m 44k

推理使用的模型将输出在/logs/44k

Step.3.2 浅扩散模型的训练 (可选)

这个模型主要用于消除电音，如果主模型训练的已经足够满意了，可以不训练

python3 train_diff.py -c configs/diffusion.yaml

浅扩散模型将输出在/logs/44k/diffusion

Step.3.2.b 训练1000步完整扩散模型 (可选)

镜像中包含了sovits主模型的底模和100步浅扩散的底模
如需训练1000步完整扩散模型，需要挂载本项目的模型仓库中的完整扩散底模并先执行以下代码

rm /tmp/code/so-vits-svc/logs/44k/diffusion/model_0.pt
cp /tmp/pretrainmodel/model_0.pt /tmp/code/so-vits-svc/logs/44k/diffusion

Step.3.3 使用tensorboard查看模型loss曲线 (可选)

tensorboard --logdir /tmp/code/so-vits-svc/logs/44k --host 0.0.0.0

以上步骤用于启动tensorboard，如果要使用外网访问需要改动./frp/frpc.ini，并新开个终端执行以下代码启动内网穿透服务

su
cd /tmp/code/so-vits-svc/frp
chmod 777 ./frpc
./frpc -c ./frpc.ini

Step.3.4 聚类模型训练 (可选)

这个模型主要用于减小音色泄露，使得模型训练出来更像目标的音色，但会使咬字稍差

python3 cluster/train_cluster.py --gpu

聚类模型将输出为/logs/44k/kmeans_10000.pt

Step.3.5 压缩模型 (可选)

这一步是将模型文件中继续训练所需的部分移除，可以将大小缩小至约1/3
例：

python3 compress_model.py -c="configs/config.json" -i="logs/44k/G_30400.pth" -o="logs/44k/release.pth"

如何使用这个镜像推理出音频

a.使用`inference_main.py`指令推理

例:

python3 inference_main.py -m "logs/44k/G_74000.pth" -c "configs/config.json" -n "input.wav" -t 0 -f0p rmvpe -s "nahida" -cr 0.3 -shd -dm "logs/44k/diffusion/model_26000.pt" -dc "configs/diffusion.yaml" -ks 50

必填部分:

-m | --model_path：模型路径
-c | --config_path：配置文件路径
-n | --clean_names：wav 文件名列表，放在 raw 文件夹下
-t | --trans：音高调整，支持正负（半音）
-s | --spk_list：合成目标说话人名称

可选部分:

-cl | --clip：音频强制切片，默认 0 为自动切片，单位为秒/s
-f0p | --f0_predictor：选择 F0 预测器，建议可选 crepe,rmvpe,fcpe, 默认为pm
-a | --auto_predict_f0：语音转换自动预测音高，转换歌声时不要打开这个会严重跑调，转换说话内容打开效果有可能更好
-cm | --cluster_model_path：聚类模型或特征检索索引路径，留空则自动设为各方案模型的默认路径，如果没有训练聚类或特征检索则随便填
-cr | --cluster_infer_ratio：聚类方案或特征检索占比，范围 0-1，若没有训练聚类模型或特征检索则默认 0 即可，经实测0.2-0.5效果相对比较好
-shd | --shallow_diffusion：是否使用浅层扩散，使用后可解决一部分电音问题，默认关闭

浅扩散设置：

-dm | --diffusion_model_path：扩散模型路径
-dc | --diffusion_config_path：扩散模型配置文件路径
-ks | --k_step：扩散步数，越大越接近扩散模型的结果，默认 100

b.使用`webUI.py`网页端推理

python3 webUI.py

以上步骤用于启动webUI，如果要使用外网访问需要改动./frp/frpc.ini，并新开个终端执行以下代码启动内网穿透服务

cd /tmp/code/so-vits-svc/frp
chmod 777 ./frpc
./frpc -c ./frpc.ini

No Description

Python

How to access data resources in code