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。
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。
更多情报请参考Bert-vits2官网：
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.py
Bert-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。
