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

攻防世界_难度8_happy_puzzle_攻防世界困难模式攻略图文-程序员宅基地

文章浏览阅读645次。这个肯定是末尾的IDAT了，因为IDAT必须要满了才会开始一下个IDAT，这个明显就是末尾的IDAT了。，对应下面的create_head()代码。，对应下面的create_tail()代码。不要考虑爆破，我已经试了一下，太多情况了。题目来源：UNCTF。_攻防世界困难模式攻略图文

达梦数据库的导出（备份）、导入_达梦数据库导入导出-程序员宅基地

文章浏览阅读2.9k次，点赞3次，收藏10次。偶尔会用到，记录、分享。1. 数据库导出1.1 切换到dmdba用户su - dmdba1.2 进入达梦数据库安装路径的bin目录，执行导库操作　　导出语句：./dexp cwy_init/[email protected]:5236 file=cwy_init.dmp log=cwy_init_exp.log　注释：　　 cwy_init/init_123..._达梦数据库导入导出

js引入kindeditor富文本编辑器的使用_kindeditor.js-程序员宅基地

文章浏览阅读1.9k次。1. 在官网上下载KindEditor文件，可以删掉不需要要到的jsp，asp，asp.net和php文件夹。接着把文件夹放到项目文件目录下。2. 修改html文件，在页面引入js文件：<script type="text/javascript" src="./kindeditor/kindeditor-all.js"></script><script type="text/javascript" src="./kindeditor/lang/zh-CN.js"_kindeditor.js

STM32学习过程记录11——基于STM32G431CBU6硬件SPI+DMA的高效WS2812B控制方法-程序员宅基地

文章浏览阅读2.3k次，点赞6次，收藏14次。SPI的详情简介不必赘述。假设我们通过SPI发送0xAA，我们的数据线就会变为10101010，通过修改不同的内容，即可修改SPI中0和1的持续时间。比如0xF0即为前半周期为高电平，后半周期为低电平的状态。在SPI的通信模式中，CPHA配置会影响该实验，下图展示了不同采样位置的SPI时序图[1]。CPOL = 0，CPHA = 1：CLK空闲状态 = 低电平，数据在下降沿采样，并在上升沿移出CPOL = 0，CPHA = 0：CLK空闲状态 = 低电平，数据在上升沿采样，并在下降沿移出。_stm32g431cbu6

计算机网络-数据链路层_接收方收到链路层数据后,使用crc检验后,余数为0,说明链路层的传输时可靠传输-程序员宅基地

文章浏览阅读1.2k次，点赞2次，收藏8次。数据链路层习题自测问题1.数据链路(即逻辑链路)与链路(即物理链路)有何区别?“电路接通了”与”数据链路接通了”的区别何在?2.数据链路层中的链路控制包括哪些功能?试讨论数据链路层做成可靠的链路层有哪些优点和缺点。3.网络适配器的作用是什么?网络适配器工作在哪一层?4.数据链路层的三个基本问题(帧定界、透明传输和差错检测)为什么都必须加以解决？5.如果在数据链路层不进行帧定界，会发生什么问题？6.PPP协议的主要特点是什么？为什么PPP不使用帧的编号？PPP适用于什么情况？为什么PPP协议不_接收方收到链路层数据后,使用crc检验后,余数为0,说明链路层的传输时可靠传输

软件测试工程师移民加拿大_无证移民，未受过软件工程师的教育（第1部分）-程序员宅基地

文章浏览阅读587次。软件测试工程师移民加拿大 无证移民，未受过软件工程师的教育(第1部分) (Undocumented Immigrant With No Education to Software Engineer(Part 1))Before I start, I want you to please bear with me on the way I write, I have very little gen...

随便推点

Thinkpad X250 secure boot failed 启动失败问题解决_安装完系统提示secureboot failure-程序员宅基地

文章浏览阅读304次。Thinkpad X250笔记本电脑，装的是FreeBSD，进入BIOS修改虚拟化配置（其后可能是误设置了安全开机），保存退出后系统无法启动，显示：secure boot failed ，把自己惊出一身冷汗，因为这台笔记本刚好还没开始做备份.....根据错误提示，到bios里面去找相关配置，在Security里面找到了Secure Boot选项，发现果然被设置为Enabled，将其修改为Disabled ，再开机，终于正常启动了。_安装完系统提示secureboot failure

C++如何做字符串分割（5种方法）_c++ 字符串分割-程序员宅基地

文章浏览阅读10w+次，点赞93次，收藏352次。1、用strtok函数进行字符串分割原型： char *strtok(char *str, const char *delim);功能：分解字符串为一组字符串。参数说明：str为要分解的字符串，delim为分隔符字符串。返回值：从str开头开始的一个个被分割的串。当没有被分割的串时则返回NULL。其它：strtok函数线程不安全，可以使用strtok_r替代。示例：//借助strtok实现split#include <string.h>#include <stdio.h&_c++ 字符串分割

2013第四届蓝桥杯 C/C++本科A组 真题答案解析_2013年第四届c a组蓝桥杯省赛真题解答-程序员宅基地

文章浏览阅读2.3k次。1 .高斯日记 大数学家高斯有个好习惯：无论如何都要记日记。他的日记有个与众不同的地方，他从不注明年月日，而是用一个整数代替，比如：4210后来人们知道，那个整数就是日期，它表示那一天是高斯出生后的第几天。这或许也是个好习惯，它时时刻刻提醒着主人：日子又过去一天，还有多少时光可以用于浪费呢？高斯出生于：1777年4月30日。在高斯发现的一个重要定理的日记_2013年第四届c a组蓝桥杯省赛真题解答

基于供需算法优化的核极限学习机(KELM)分类算法-程序员宅基地

文章浏览阅读851次，点赞17次，收藏22次。摘要：本文利用供需算法对核极限学习机(KELM)进行优化，并用于分类。

metasploitable2渗透测试_metasploitable2怎么进入-程序员宅基地

文章浏览阅读1.1k次。一、系统弱密码登录1、在kali上执行命令行telnet 192.168.26.1292、Login和password都输入msfadmin3、登录成功，进入系统4、测试如下：二、MySQL弱密码登录：1、在kali上执行mysql –h 192.168.26.129 –u root2、登录成功，进入MySQL系统3、测试效果：三、PostgreSQL弱密码登录1、在Kali上执行psql -h 192.168.26.129 –U post..._metasploitable2怎么进入

Python学习之路：从入门到精通的指南_python人工智能开发从入门到精通pdf-程序员宅基地

文章浏览阅读257次。本文将为初学者提供Python学习的详细指南，从Python的历史、基础语法和数据类型到面向对象编程、模块和库的使用。通过本文，您将能够掌握Python编程的核心概念，为今后的编程学习和实践打下坚实基础。_python人工智能开发从入门到精通pdf

推荐文章

热门文章

相关标签