Что есть на сей день:
Есть VITS-Umamusume-voice-synthesizer, только на японском, 87 голосов.
ХагингФейс: https://huggingface.co/spaces/Plachta/VITS-Umamusume-voice-synthesizer
Гугл-Калаб: https://colab.research.google.com/drive/1J2Vm5dczTF99ckyNLXV0K-hQTxLwEaj5?usp=sharing
MoeGoe и MoeTTS.
Гайд на китайском: https://colab.research.google.com/drive/1HDV84t3N-yUEBXN8dDIDSv6CzEJykCLw#scrollTo=EuqAdkaS1BKl
кажется итт можно тренировать свои голосовые модели, но это не точно
Гугл-Калаб: https://www.bilibili.com/video/BV16G4y1B7Ey/?share_source=copy_web&vd_source=630b87174c967a898cae3765fba3bfa8
Они довольно лёгкие, если вам нужно на своём компьютере то, придётся накачать около 5 гигов + питон + гит, но всё будет установленно в одну папку поэтому будет легко удалить если надоест. Если используете несколько нейросетей - используйте Anaconda / Miniconda!
Гайд: https://textbin.net/kfylbjdmz9
План Б: создаём речь в одном генераторе, и меняем голос через VITS, который можно натренировать на любой голос, в том числе свой, любимой матушки, обожаемого политика и других представителей социального дна.
https://github.com/voicepaw/so-vits-svc-fork
Чтобы создать видео из аудио, можно использовать FFMPEG, но если лень - есть GUI (по совместительству онлайн генератор речи, так что оффтоп в нашем треде) - https://dmkilab.com/soundworks - Tools \ Video \ Produce still video
Бля, прикрутите это к таверне, плез.
пробовал vits-svc, на huggingface куча моделек
в реалтайме плохо успевает, а вот с записями работает вообще хорошо
Тоже верно. Предыдущий тред тонет тут:
https://2ch.hk/ai/res/88212.html
> Ну в смысле? Нейросетка не способна распознать, что на записи два разных голоса присутствуют? Возможно нет в попенсурс доступе. Я конечно, понимаю, что архитектура в данном случае ещё сложнее будет, часть просто должна уметь распознавать, а другая часть ещё и отличать и узнавать голос
Да, не способна. Это текущий проект, как дополнение к Висперу, но пока работает никак. И это как раз опенсорс, просто не работает. У тебя есть конкретная задача для этого?
Там есть нормальный бабский голос без американского акцента? Перепробовал все из майлителпони, а в остальных вообще хуй пойми что на хугинфейсе.
ignorethis/so-vits-svc-4.0-ruvtubers
fnx/so-vits-svc-4.0-ru-saya
Годно, спасибо.
Кстати, там не появилось новых утилит для работы c этой нейронкой? Питон скрипт который нарезает часовой аудиофайл на много маленьких по 10 секунд или ещё что-нибудь.
Не програмист и хз как такое искать.
Да, есть такой скрипт.
https://github.com/flutydeer/audio-slicer
или может есть другие годные TTS модели с воис клоном, и желательно поддержкой укр. ?
PS. капча с каждым днем все дибильнее
эх, лучше б TTS с пормальными голосами подвезли, чтобы текстовку озвучивать можно было,
(ибо комерческая ценность переозвученных песен в большинстве близка к нолю)
> комерческая ценность
В большинстве случаев обратно пропорциональна культурной ценности.
та какая разница с чем коррелирует, можно подумать Моргенштерн голосом ВинниПуха сильно культурно ценный
>>323594
Можно, но двойная ж конвертация выходит, больше времени, больше вероятность артефактов, ну и главное, пока что большинство TTS плохо в эмоции, а иногда и в ударения...
зато будет достаточно одной модели, которая хорошо в эмоции, а остальное поверх можно надстроить
если нормальный голос и эмоции будут то такая модель многие потребности закроет самостоятельно, так-то расширить спектр голосов не так уж и сложно, главное чтобы это работало нормально, и была возможность клонить голоса
(да там в репе чейчас год с тренировкой через фейсбуковскую либу, которая на винде без визуал студии не поставится, хотя в колабе изи все можно сделать, в более старой версии была нативная тренировка вроде, где надо было транскрипцию записи писать)
>План Б: создаём речь в одном генераторе, и меняем голос через VITS, который можно натренировать на любой голос, в том числе свой, любимой матушки, обожаемого политика и других представителей социального дна.
>https://github.com/voicepaw/so-vits-svc-fork
Анон, можешь запилить простенький гайдец для самых маленьких. Что делать, первое, второе, третье. Хотя бы в самых общих чертах, без деталей и подводных камней.
Это, ну это, был бы вклад в популяризацию голосовых нейронок, а значит и косвенный вклад в их развитие - вот это всё. А ещё ты бы помог анонам, и треду, воооооот
С меня как всегда.
>Это, ну это, был бы вклад в популяризацию голосовых нейронок
А нахуя это надо? Популяризация полезна среди тех, кто может что-то сделать сам и придумать что улучшить. А ты обоссаный безруков, который не может гайд на ютубе загуглить. Которых там уже тыщи.
Тебе нужен гайд по какому процессу - генерации или обучения?
Кек. Забавно то, что если кто пожалуется на вебмку, то автор тоже на двушечку уедет. Но я не буду, это же юмор основанный на когнитивном диссонансе.
Нормальные синтезаторы исключительно по подписке (пример вебмрилейтед - итальянец говорящий на русском с сильным акцентом) тк над ними постоянно работают профи мотивированные деньгами и развитием проекта.
А ваш кал с ультрапердолингом будет юзаться только школьниками для педофилии и фашизма вроде хуйни выше.
> пример вебмрилейтед - итальянец говорящий на русском с сильным акцентом
Зачем ты это сюда притащил, шиз?
Ну так твоя подписка это рак нейросетей и вообще технологий.
Помнишь был платный миджорней - тоже по подписочке, а потом святые программисты выложили в открытый доступ святой стаблдифужн и всё. Миджопней в жопе.
миджорней это кал по сравнению со стейблом.
Подписка = профессиональное приложение. Не все конечно но я бы стал пользоваться илитным приложением по подписке а не хуйней.
Ну собственно примеры в этом треде по бесплатному аи и близко не подошли к тому что я выложил выше
Снимаю вопрос.
> я бы стал пользоваться илитным приложением по подписке а не хуйней
Ну я тоже для озвучки презентаций и учебных видео использую саундворкс (и соответственно стоящие за ним профессиональные API вроде Яндекса). Охулиард языков, голосов и так далее, стоит копейки, компания довольна.
НО. Для своих "проектов", для онлайн изменения голоса и тому подобного - какой нафиг профессиональный сервис? Только своё, оффлайновое. И со временем оно уделает онлайновое. Есть масса сценариев, где "подписка" вообще неприменима, даже если это плата за более высокое качество.
>миджорней это кал по сравнению со стейблом.
Ты сам себе противоречишь. Миджорней по подписке, а сд бесплатный
>Ну собственно примеры в этом треде по бесплатному аи и близко не подошли к тому что я выложил выше
Окей. Покажи мне профессиональный клонер голоса, который может взять голос гитлера и кинуть его на песню шамана. У тебя 1 день.
Нормальные реал-тайм воис морферы есть или пока не завезли?
кто сделал модель so-vits-svc с Пригожиным? Есть автор в треде? Есть тех. вопросы по реализации
>кто сделал модель so-vits-svc с Пригожиным? Есть автор в треде? Есть тех. вопросы по реализации
so-vits-svc
ах да желательно иметь Nvidia на 16 гигов.
На четырёх гигах работает хуёво, я проверил
скорее дядя с кувалдой, пикрил нынче за такую модель может только похвалить
Натренировал модель на 100 сэмплах, чистый голос без музыки, вздохов, пердежей, поскрипываний и смеха. Прогнал 1200 эпох, результатом не очень доволен. Когда в оригинальном голосе идёт завывание, изменение интонации, некоторые сочетание гласных и согласных, то результат идёт по пизде. Пробовал с разными настройками, походу косяк именно в сэмплах был.
Сколько сэмплов оптимально использовать для тренировки модели и стоит ли вырезать смех человека, всякие "нуууу, аааа, хммм" ?
Сколько эпох в идеале надо прогнать, чтобы получился норм результат?
>скорее дядя с кувалдой
А кто-то знает имя террориста, который разбивал русским головы? Зачем ты на него ссылаешься. Ты намекаешь, что это Пригожин был? Да, действительно, его одержимость "Убийцей русских" странная, слышал он реплику сделал и зачем-то дурачкам всяким рассылал. Надеюсь, реплики свастик он делать не будет.
Чем больше сэмплов тем качественее будет модель, аналогично с количеством эпох, чем их больше тем лучше. Ещё важно на какой голос ты накладываешь нейросеть, в идеале они должны быть чем то похожи с оригиналом.
Я использовал больше тысячи звуков для тренеровки там были не только:
>смех человека, всякие "нуууу, аааа, хммм"
Но и косяки со звуком, помехи, клики мышкой, хуяренье по клавиатуре... иногда человека просто перебивали и сэмпл засирался чужими голосами. Но результат всёравно вышел в десять раз пижже чем если тренеровать на сотне сэмплов.
Ещё советик если твой звуковой файл который ты хочешь изменить выглядит как пик 1 то получится хуйня 100% нужно на него накинуть нормализацию чтобы он стал похож на пик 2
>Но результат всёравно вышел в десять раз пижже чем если тренеровать на сотне сэмплов.
Можно пример в звуке?
Спасибо за развёрнутый ответ, буду тестить. Нормализация на акапелле действительно помогла, но из-за небогатого набора сэмплов всё равно косяков много.
Не нужно с такими требованиями. Почему до сих пор не оптимизировали до уровня запуска на калькуляторах?
С Hugging Face модель взял? Видел там готовую с Байденом и прочими американскими политиками.
С ютуба спиздил. По "ai cover" много годноты выдает, можно еще отсортировать по просмотрам и выбрать за последний месяц.
а в тикитоке вообще пиздец творится
У меня 2к+ сэмплов. По ощущениям одна эпоха идет минут 5-10, там анон выше писал что 1000 эпох прогнал это часов сто получается. Учитывая лимиты коллаба это месяц. Лол.
За сутки бесплатного колаба не больше 1000-1500, так что даже не пытайся.
Я там заметил, что в папке /dataset/44k/, где сэмплы лежат, там рядом с каждым звуковым файлом появился файл %name%.wav.data.pt
Эти файлы сохранять надо, может в них какая-то инфа о процессе обучения? Или похуй, при следующей тренировке они опять создадутся?
>1000-1500
Это как? По моим подсчетам за 6 часов будет около 120-150 эпох.
Даже ещё меньше 10 эпох в час в среднем. Настройки все дефолтные.
Это шаги. Нахуй ты эпохи считаешь, когда модель подписана шагами? Если модель_1000 это блядь не 1000 эпох.
А вообще скорость обучения зависит от размера датасета.
>И самый главный вопрос. Когда колаб меня кикнет по середине процесса, не накроется ли там весь прогресс медным тазом? Ведь это предусмотрено да? Ведь предусмотрено?
Если у тебя сохранение на 500 шагов то ты пососешь час впустую. Если на 100 - то меньше. Там в конфиге можно исправить опция чекпойнт. Старые он сам удаляет поэтому просто нет смысла ставить большие значения.
>>347025
Ну вот в консоли колаба мне пишут такую инфу:
Epoch 35/9999 ━━━━━━━━━━━━━━╺ 130/137
Очевидно что это эпохи, а про шаги я не знал и на гуглдрайв сохраняются соответсвубщие файлы D_34.pth G_34.pth.
А в конфиге опуции чекпоинт нет, даже слова такого там не встречается может это?
> "log_interval": 100,
> "eval_interval": 200,
А вот что есть в конфиге
>"keep_ckpts": 3,
Он что каждые три шага сохраняет? Может поэтому так медленно?
>> "log_interval": 100,
Это шаги. И они не равны эпохам, они меньше. За три часа колаба ты натренишь до 1000-1500, нормальная модель 200к. То есть у тебя будет 1000.птх
Не еби мозги и найди в файле конфиг джасоен слово "чекпойнт".
>>347118
Нету там этого слова, чел
https://pastebin.com/19ABPBVe
И судя по всему файлы чекпоинта теперь называются эпохами, я рискну предположить что случились какие-то изменения и то как ты обьясняешь было раньше. а теперь по-другому. Ну или я чего-то не понимаю, но я просто нюфаг.
> судя по всему файлы чекпоинта теперь называются эпохами
Всё просто, кончается лимит - перекидываешь файлы на новый акк гугла.
Можно быстро переходить по разным аккаунтом его не ебёт, лимиты обнуляются.
Натренировал так за пару вечеров 800 сэмплов до 500 эпох
>Можно быстро переходить по разным аккаунтом его не ебёт, лимиты обнуляются.
Удачи всрать акки. Классный совет.
Ты прав. Я уже 3 недели этим занимаюсь и прям чувствую что акки обосраны...
Аноны а нужно в сэмплах оставлять звуки НЕ РЕЧИ?
Ну там смех, вздохи, мычания, прочие звуки ртом. Звуки эти имеют ярко выраженную принадлежность к целевому голосу т.е. такой смех, например, очевидно принадлежит именно этому голосу.
Мне кажется что нейросети полезно и на таких звуках обучаться для полного, всестороннего повторения? Например когда исполнителю в процессе песни надо заменить голос он же там и тянет звуки и кряхтит и чего только не делает.
Может кто-нибудь интересовался этим вопросом ОФИЦИАЛЬНО? Ну там в репозитории разраба может такое спрашивали?
Нюфаня репортинг.
> Гугл-Калаб: https://colab.research.google.com/drive/1J2Vm5dczTF99ckyNLXV0K-hQTxLwEaj5?usp=sharing
Валится с ошибкой при выполнении !pip install -r requirements.txt
> Гайд: https://textbin.net/kfylbjdmz9
Тоже вылезает ошибка при установке зависимостей. Оно походу pyopenjtalk из сорцов собирает и поэтому билд-тулзы надо ставить, вот что на SO пишут - https://stackoverflow.com/questions/75191940/i-cannot-install-pyopenjtalk-getting-requirements-to-build-wheel-did-not-run-su
Мне было лень разбираться с этой ошибкой.
> потом находим файл VITS-Umamusume-voice-synthesizer\app.py и открываем с помощью текстового редактора и находим блок на 27 строке
Там нет такого кода и я сходу не смог сообразить, что там поменять надо. Может поменяли что-то в более поздних версиях...
> https://github.com/voicepaw/so-vits-svc-fork
Вот это без проблем поставилось и работает.
В репе so-vits-svc-fork нашёл пару полезных ссылок.
Разбивка звуковой дорожки на вокал и инструменталку: https://github.com/Anjok07/ultimatevocalremovergui
Где брать готовые модели: https://huggingface.co/models?search=so-vits-svc | https://civitai.com/?query=so-vits-svc
Перегнать видео в аудио при помощи ffmpeg (я за ffmeg не шарю, просто из сети рабочих команд надёргал):
ffmpeg -i input.webm -vn -acodec libmp3lame output.mp3
ffmpeg -i input.mp4 -map a output.mp3
Алсо спасибо анонам, кто над русскоязычным голосом Саи работал. Вот моя первая попытка в перегон голоса:
https://vocaroo.com/1cEfRfQ1NBf9
если исполнитель смеётся, мычит и пердит во время выступление то нужно обязательно. Но это более свойственно для обычной речи, так называемой разговорной модели.
>Вот моя первая попытка в перегон голоса
Как-то инопланетно вышло. Ударения не там, темп речи не правильный.
Составитель архива с Саей
ёпта датасет больше делай. часа на 4 и обучай нормально - 100к эпох или чото там.
и при морфинге у тебя крутилки есть с пресетами типо dio harvers creepe и еще такова. вот эти крутилки тоже крути
А чем ты пользуешься? Вот мои интерфейсы.
У меня 50 эпох и 4 минуты датасет... Это сколько 100к эпох будет учить?
>>350634
> эта смесь русика, англюсика и китайского в интерфейсе
Пиздец.
> эта смесь русика, англюсика и китайского в интерфейсе
>Пиздец.
Самое страшное, что я более менее на всех трёх говорю.
>какие-то тулзы
Если они есть, то я о них не знаю. Вишпер может сделать сабы, там будут тайминги речи, это может помочь. Но я так не делал если что.
>>350660
Скажи что-нибудь по китайски а то я только яп знаю.
Да ладно тебе, пусть учится. В среднем норм вышло. Просто трек и голос не сошлись.
Это лучший просто на свете Retrieval-based Voice Conversion WebUI
>>350593
Где вы эти 4 часа датасеты берёте нахой? В смысле серёзно. Мне только Гоблин с монологами на 4 часа в студии приходит в голову. Но я уже сделал с ним голос. теперь хочу кого-то другого. Где срезать 4 часа?
Думал с МЛП нарезать, но как подумал сколько это гемора на 4 часа.
Левитана оказывается найти в интернете проблема.
4 часа это в идеале, больше - лучше. А так сидишь и ручками вырезаешь из всего возможного контента. Выкачиваешь всё что можно пророка санбоя какого-нибудь и нарезаешь все звуки которые он издаёт, кряхтит, пердит и тд тоже.
>4 часа
>100к эпох
Ты в своём уме вообще? У меня 4090, 1 час датасет.
1 эпоха 40 секунд. 100 эпох - Это больше часа. Какие 200к.
У меня 300 эпох на 1 часе на 6 часов на 4090. Если 300 эпох на 4 часа это уже сутки. Откуда 200к эпох?
Ну ёпта бля эпохи с со степами спутал или чото там, могла бы и додуматься.
>У меня 300 эпох на 1 часе на 6 часов на 4090. Если 300 эпох на 4 часа это уже сутки. Откуда 200к эпох?
Нихуя мамтематика.
Я неделю 24\7 коллабы с обучением гнал, вышло как-раз около 100к чего-то там хуй знает чего ну короче файлик 100к.pth называется вооот
>Я неделю 24\7 коллабы с обучением гнал, вышло как-раз около 100к чего-то там хуй знает чего ну короче файлик 100к.pth называется вооот
Необучаемый, бубль отслеживает подобную активность. Как только ты украдешь достаточно мощностей ГПу (и других научишь) Алгоритмы начнут отслеживать файлы типа .pth перебрасываемые с акка на акк и банить их наглухо. Теперь скажи мне, зачем ты сам себе сейчас кислород прикручиваешь хвастаясь? Иди еще на пикабу гайд создай, чтоб тебя быстрей выебали.
>Админ гугла сидит на дваче в мёртвом треде и подсирает дурачкам с двумя гигами врам
>>351650
Ты шо, ебанутый?
Я как генерировав так и генирироваю. И аудио и картинки и видео. И гугл меня поддерживает. Кто тебе в трусы голову насрал?
>крутилки есть с пресетами типо dio harvers creepe и еще такова. вот эти крутилки тоже крути
Можно поподробнее. Зачем их крутить? В какую сторону крутить? Сколько раз крутить? Что является критерием того что крутанул как надо? Как понять что плохо накрутил?
По-умолчанию стоит dio если на уже довольно долго обученной модели крутануть на другое какие это будет иметь последствия?
>какие это будет иметь последствия?
Кишка вывалится.
Генерирую на всех пресетах и выбираю лучший. dio не всегда делает как надо.
>И гугл меня поддерживает
С подключением, гугл как раз недавно официально забанил SD и добавил в правила что за него бан и в треде SD аноны говорили что забаненные среди них есть. Поддержка конечно - мое почтение, климюрич тащи свиней.
Суть в том, что это полумеры, чтобы отсеять лохов и посмотреть как разгрузится GPU сегмент, гугл пока вяло и жиденько отлавливает неуловимых генераторов, пока просто смотрит запрещенные слова. Но колаб это окружение погромистов, и гугл не лаптем деланый, разумеется если тенденции на нехватку мощностей будут сохраняться гугл будет более и более эффективно выявлять и банить. Даже я могу написать программку которая будет точно выяснять что ты генератор, а уж нормальные погромисты в гугле тем более смогут.
Я в кал_лабе генерирую, там чтобы посмотреть первые результаты хоть какого-то приличного качества две недели нужно пердолиться. И как понять какой пресет лучше без тестов? Никак?
Блин, пережал для двача, качество видео и звука упало до состояния Жопа.3gp
В оригинале бодрее.
> Если они есть, то я о них не знаю. Вишпер может сделать сабы, там будут тайминги речи, это может помочь. Но я так не делал если что.
Нарезаю через Audacity пока. Там в тайтле много междометий и звуков, которые, вероятно, не попадут в тайминги сабов. Но как же долго это делать, пиздос.
Сначала извлекаю дорожку через ffmpeg:
ffmpeg -i './title-name-s1.mkv' -map a s01.mp3
Потом убираю всё, кроме голосов, через Ultimate Vocal Remover.
И уже получившийся файл нарезаю потом ручками, выбирая нужный фрагмент и используя в Audocity команду Export -> Export Selected Audio.
> И уже получившийся файл нарезаю потом ручками, выбирая нужный фрагмент и используя в Audocity команду Export -> Export Selected Audio.
Выяснил, что гораздо быстрее это делать через добавление меток через Ctrl + B по выделенному отрезку и потом Export -> Export Multiple -> Split files based on labels. Теперь, если приноровиться, можно почти не ставить паузу и скорость нарезки будет совпадать с длительностью тайтла. До этого на каждую серию по часу тратил - на каждый отрезок в меню зайди, имя файла задай и сделай так 100-150 раз за серию.
Алсо, тайминги проставленных меток можно сохранить/загрузить через Export/Import labels
Это полнцый цикл. Текст, Музыка, Вокал.
Как по мне Stable Diffusion момент для музыкашек наступил, не успело пройти и года.
>Выяснил, что гораздо быстрее это делать через добавление меток через Ctrl + B по выделенному отрезку и потом Export -> Export Multiple -> Split files based on labels. Теперь, если приноровиться, можно почти не ставить паузу и скорость нарезки будет совпадать с длительностью тайтла. До этого на каждую серию по часу тратил - на каждый отрезок в меню зайди, имя файла задай и сделай так 100-150 раз за серию
Спасибо, анонче, потыкал немного тулзу. Это не совсем то, что мне нужно - данная программа просто нарезает звуки по коротким отрезкам, но, при этом, в один отрывок могут попасть голоса сразу нескольких спикеров, если между их репликами нет паузы. Этот вариант подошёл бы, если бы мне надо было длинный монолог нарезать.
Чел. Софт же есть который тебе сам всё разрежет.
https://github.com/flutydeer/audio-slicer
Подскажите почему на русский не переводит пробовал --language Russian скобки кавычки "ru" {Russian} всё равно английские субтитры, возможно ли что гугл.коллаб не поддерживает?
Columbia University drops state of the art TTS
/vsg/ has awoken, ElevenLabs quality locally
https://arxiv.org/abs/2306.07691
>In this paper, we present StyleTTS 2, a text-to-speech (TTS) model that leverages style diffusion and adversarial training with large speech language models (SLMs) to achieve human-level TTS synthesis. StyleTTS 2 differs from its predecessor by modeling styles as a latent random variable through diffusion models to generate the most suitable style for the text without requiring reference speech, achieving efficient latent diffusion while benefiting from the diverse speech synthesis offered by diffusion models. Furthermore, we employ large pre-trained SLMs, such as WavLM, as discriminators with our novel differentiable duration modeling for end-to-end training, resulting in improved speech naturalness. StyleTTS 2 surpasses human recordings on the single-speaker LJSpeech dataset and matches it on the multispeaker VCTK dataset as judged by native English speakers. Moreover, when trained on the LibriTTS dataset, our model outperforms previous publicly available models for zero-shot speaker adaptation. This work achieves the first human-level TTS on both single and multispeaker datasets, showcasing the potential of style diffusion and adversarial training with large SLMs. The audio demos and source code are available at this https URL.
https://styletts2.github.io/
веса модели styletts1 доступны для скачивания, а значит и этой тоже должны быть доступны в ближайшее время.
>Подскажите почему на русский
Он только на английский умеет встроено переводить. Подключай апишку дипла.
>>356156
Отличный способ получить кашу. В русском вообще-то всякие склонения-хуения, они привязаны наглухо к контексту.
АНОН КАК ТЫ СДЕЛАЛ ЛИПСИНГ НА ТЯНКЕ?
НАУЧИ ПЛЗ
Бляяядь, я уже удалил, а что там? Даст генерировать без смс и регистрации?
>>358822
> синтез голоса за бабки
это на каких лохов расчитано?
вот здесь уже обещают 11labs уровень качества, локальный >>356195
>обещают
Вот когда выложат, тогда поговорим. А пока я весов не вижу.
> это на каких лохов расчитано?
Ну тогда жди пока пришлют ключ. Там очередь не долгая.
>>358840
> это на каких лохов расчитано?
Это вообще оффтоп здесь. Это клиент для платных API высокого качества.
>>358804
> я уже удалил
Ну и дурак. Там дофига функций помимо синтеза голоса, типа скачивания видео с этих ваших ютубов, создание субтитров и прочая. Платная фича там только синтез голосяки, но мне пофиг, у меня работа платит.
они будут здесь https://github.com/yl4579/StyleTTS2
> It will likely be July or August
https://github.com/yl4579/StyleTTS2/issues/1
https://voca.ro/1luJYDn1y6ZI
Пока вот так вышло. Первый файл - это два куплета без инструментальной части, второй файл - это полная версия с инструментальной частью. Я там вроде как высоту голоса разную в этих вариантах сделал...
Датасет с голосом 1 час и 9 минут вышел на 12 серий. Всего 1309 отдельных отрывков длительностью 0.5-9 секунд. В конфиге выставил batch size в 28 (в 24 GB VRAM больше не лезет у меня), всё остальное оставил по умолчанию. Что-то я не сообразил, где глянуть общую длительность обучения (я паузы ставил и в тензор-борде оторажается только стата по последней сессии вроде как), но, вообще, обучал где-то 11 часов на 4090. Но я не знаю, в какой момент стоило остановить обучение, у меня все эпохи сохранились, но я только последнюю (1247) глянул.
С шипящими какая-то проблема, не понял пока, это особенность этой дорожки (может слишком криво голос от мелодии отделил), или общая проблема, т.к. датасет всё же японский.
Про морфинг не понял что именно ты хотел узнать, можешь уточнить?
Примеры голоса из датасета:
https://vocaroo.com/13X0uYKJhcCQ
https://vocaroo.com/1e8sTX36gZDC
Русский всё равно с акцентом выдаёт. Можешь сгенерить что-нибудь на японском, ну типа この素晴らしい世界に祝福を! или сразу модель скинь, мы сгенерим.
Кстати, нормализацию к датасету применял? Говорят тащит.
>с акцентом выдаёт
На каком языке обучаешь - такой акцент и будет, сколько обучение не дрочи. Ещё-ж базовая модель подирает картавостью.
Какой же пиздец местами с этой песенкой и низким голосом видрил 1, podval records прямо, эта моделька тренилась тоже примерно часов 10 при бс 24 с датасетом в час с хвостиком, хотя натрененная на 4 часа с датасетом в минут 15 видрил 2 так не пердит, но и голос там абсолютно другой.
> обучал где-то 11 часов на 4090
И это кстати самый отталкивающий пиздец. Может надо повышать лр и увеличивать распад?
> С шипящими какая-то проблема, не понял пока, это особенность этой дорожки (может слишком криво голос от мелодии отделил), или общая проблема, т.к. датасет всё же японский.
У меня полностью русскоговорящие датасеты, но акцент как будто из англии челы в подвале записали пердёж по приколу, так что хз вообще.
> Про морфинг не понял что именно ты хотел узнать, можешь уточнить?
Параметры какие используешь в пикрил 3 интересно.
> может слишком криво голос от мелодии отделил
Чем, кстати, отделял?
> Можешь сгенерить что-нибудь на японском, ну типа この素晴らしい世界に祝福を!
https://vocaroo.com/1mGiUk0OQYB3
> или сразу модель скинь, мы сгенерим
Да я, в целом, хотел модель скинуть, когда более-менее приемлемый результат получится, только пока сам поиграться немного хочу. Кстати, а где эти модели вообще выкладывают? Кроме хг и цивита есть ещё какие-то площадки? На них суммарно меньше ста моделей - все просто жопятся свои модели выкладывать или ещё что-то есть?
> Кстати, нормализацию к датасету применял? Говорят тащит.
Я только такое видел в офф. репе: "Silence removal and volume normalization are automatically performed (as in the upstream repo) and are not required". Есть какая-то другая инфа?
>>361991
> Какой же пиздец местами с этой песенкой и низким голосом видрил 1, podval records прямо, эта моделька тренилась тоже примерно часов 10 при бс 24 с датасетом в час с хвостиком, хотя натрененная на 4 часа с датасетом в минут 15 видрил 2 так не пердит, но и голос там абсолютно другой.
Не понял тебя - это модельки на разные голоса или модельки на один и тот же голос, но с разным объёмом датасета? Прям совсем по разному звучат. Не пробовал другие тесты поделать для сравнения? Интересно, вторая модель в других случаях всегда лучше звучит или только с низким голосом так выходит?
>> обучал где-то 11 часов на 4090
> И это кстати самый отталкивающий пиздец. Может надо повышать лр и увеличивать распад?
Возможно да. У тех же retard-friendly скриптов для запуска kohya-ss можно было LR на пару порядков увеличивать, по сравнению со значением по умолчанию. Там стратегия "сделаем низкий LR и поставим обучать на сутки" не приводила к чему-то более качественному, по сравнению с быстрым обучением на высоких LR.
> У меня полностью русскоговорящие датасеты, но акцент как будто из англии челы в подвале записали пердёж по приколу, так что хз вообще.
Может дело в базовой модели, как анон >>361669 подметил? Нет каких-то альтернативных базовых моделей, основанных на русскоязычных датасетах?
> Параметры какие используешь в пикрил 3 интересно.
Пик 1. Я только высоту голоса выше сделал, чтобы он более писклявый был, остальное по дефолту оставил. Хотя, может ещё prediction method менял, не помню уже. Я пока не разбирался с этими параметрами.
> Чем, кстати, отделял?
https://github.com/Anjok07/ultimatevocalremovergui
Плохо то, что у этой тулзы нет никакого CLI, автор обещал ещё полгода назад его добавить https://github.com/Anjok07/ultimatevocalremovergui/issues/359 но пока так ничего и не сделал.
В моём представлении, из UVR, so-vits-svc-fork и ffmpeg можно было бы сделать комбайн на gradio-интерфейсе по типу пика 2, чтобы обабатывать основные сценарии парой кнопок, т.е:
1. Извлечение аудиодорожки из видео через ffmpeg (то, что на пике)
2. Извлечение голоса/инструментальной части аудиодорожки через UVR (там нет CLI, но сам код опенсорсный и на питоне, при желании, наверняка его можно без родного гуя использовать)
3. Морфинг голоса через so-vits-svc-fork (там есть CLI)
4. Объединение нескольких аудиодорожек в одну через ffmpeg (чтобы объединить инструментальную частью с дорожкой, где поменяли голос)
5. Объединение аудиодорожки с картинкой/видео через ffmpeg
Ещё можно было бы txt2audio добавить, но я пока не понял, есть ли для русика что-то вменяемое для локалхоста? Я пока только вот эту облачную говнину пытался попробовать >>358777
Я за питон/градио не шарю, но, немного потыкавшись, смог сделать однокнопочный интерфейс, который извлекает аудиорожку из видео. Так что, если особо не упарываться, можно попробовать под базовые сценарии сделать примитивные интерфейсы.
>https://vocaroo.com/1mGiUk0OQYB3
Почему-то вышло коносунараши, хотя должно быть субараши, ну да ладно. Неплохо, но темп можно и убавить.
>На них суммарно меньше ста моделей - все просто жопятся свои модели выкладывать или ещё что-то есть?
Думаю просто пока текущий статус аудиогена слишком пердольный, вот и не выкладывают. Появятся всякие лоры в пару мегабайт поверх базы, мержи и прочее развлечение в один клик, тогда и попрут васяномодели.
>Есть какая-то другая инфа?
Тут писалось, но не уверен, что к этому же инструменту.
>>342362
>Ещё советик если твой звуковой файл который ты хочешь изменить выглядит как пик 1 то получится хуйня 100% нужно на него накинуть нормализацию чтобы он стал похож на пик 2
>>362353
>txt2audio добавить, но я пока не понял, есть ли для русика
TTS только silero, но оно не обучаемое. Зато можно хоть на микроволновке запускать.
>>362353
>Так что, если особо не упарываться, можно попробовать под базовые сценарии сделать примитивные интерфейсы.
Надо запилить AudioGenerationWebUI, чтобы как у каломатика, но я только вышел на работу, так что ещё один полугодовой отпуск позволить себе не могу.
>>362353
> Не понял тебя - это модельки на разные голоса или модельки на один и тот же голос, но с разным объёмом датасета?
Две разные модели, первая с голосом Михаила Черняка, просто более менее чистый голос взял для теста с какой то из его озвучек. Вторая это папич, качество ну среднее, во что он там вещает, обычное микро с подвала скорее всего. Первая хорошо зачитывает монотонный текст, что не удивительно, учитывая датасет, вторая более "артистичная", ведь там в датасете были эмоциональные крики.
> Не пробовал другие тесты поделать для сравнения?
Предложи войсы, я хз что лучше попробовать поморфить.
> Возможно да. У тех же retard-friendly скриптов для запуска kohya-ss можно было LR на пару порядков увеличивать, по сравнению со значением по умолчанию. Там стратегия "сделаем низкий LR и поставим обучать на сутки" не приводила к чему-то более качественному, по сравнению с быстрым обучением на высоких LR.
Как разберусь на чём лучше тренить, попробую на час поставить на повышенном лр новый какой нибудь датасет.
> Может дело в базовой модели, как анон >>361669 подметил? Нет каких-то альтернативных базовых моделей, основанных на русскоязычных датасетах?
А я хз, обычная базовая какая то в конфиге указана в разделе pretrained. На что это менять? Отсюда подойдут модели типо https://github.com/snakers4/silero-models/blob/master/models.yml ?
> Пик 1. Я только высоту голоса выше сделал, чтобы он более писклявый был, остальное по дефолту оставил. Хотя, может ещё prediction method менял, не помню уже. Я пока не разбирался с этими параметрами.
Я тоже разные потыкал и лучше всего получилось с crepe.
> Плохо то, что у этой тулзы нет никакого CLI, автор обещал ещё полгода назад его добавить https://github.com/Anjok07/ultimatevocalremovergui/issues/359 но пока так ничего и не сделал.
О, есть гуй для этого дела, я в китаевебуи делал разными моделями, одной из них вышло получше.
> 1. Извлечение аудиодорожки из видео через ffmpeg (то, что на пике)
Бля, а ведь реально у многих аудио должна она быть, я просто разделял на похер, не смотря на дорожки.
> 2. Извлечение голоса/инструментальной части аудиодорожки через UVR (там нет CLI, но сам код опенсорсный и на питоне, при желании, наверняка его можно без родного гуя использовать)
А обязательно его? В китаегуе разве не на его основе? https://github.com/RVC-Project/Retrieval-based-Voice-Conversion-WebUI
> 4. Объединение нескольких аудиодорожек в одну через ffmpeg (чтобы объединить инструментальную частью с дорожкой, где поменяли голос)
Я через audacity делал вот эти две, там можно чуть подредачить как раз.
> 5. Объединение аудиодорожки с картинкой/видео через ffmpeg
Заёбный тоже этап, большинство гуев к ффмпегу еррор выдают при конверте из аудио и картинки в видео, пришлось сначала через loop, а потом ещё и обрезать лишнее.
> Ещё можно было бы txt2audio добавить, но я пока не понял, есть ли для русика что-то вменяемое для локалхоста? Я пока только вот эту облачную говнину пытался попробовать
Ну модель есть, хз чем её можно запускать только. Про какую облачную говнину кстати речь?
> Я за питон/градио не шарю, но, немного потыкавшись, смог сделать однокнопочный интерфейс, который извлекает аудиорожку из видео. Так что, если особо не упарываться, можно попробовать под базовые сценарии сделать примитивные интерфейсы.
Ты про пик2? Можешь запилить на гитхаб или куда нибудь этот вебгуй что собрал?
> Заёбный тоже этап, большинство гуев к ффмпегу еррор выдают при конверте из аудио и картинки в видео, пришлось сначала через loop, а потом ещё и обрезать лишнее.
Какие пробовал?
В треде были и другие. Тот же Саундворкс прекрасно лепит видео из картинки и аудио, добавляет или убирает аудио дорожку.
Спасибо за информацию! Да, существует несколько программ и инструментов, которые могут помочь создавать видео из статичных изображений и добавлять или удалять аудиодорожки. Одной из таких программ является Soundworks, которая специализируется на создании видео изображений с аудиоэффектами и манипуляциями с аудио. Это полезный инструмент для создания разнообразных видеоматериалов.
> Тут писалось, но не уверен, что к этому же инструменту.
Интересно. Можно будет попердолитья с этим, у меня в датасете есть файлы, которые выглядят как пик 1 тут - >>342362
> TTS только silero, но оно не обучаемое. Зато можно хоть на микроволновке запускать.
Ну всё равно норм, сгенерировать сначала через silero, а потом заморфить уже на кастомной модели через so-vits-svc-fork.
> Надо запилить AudioGenerationWebUI, чтобы как у каломатика, но я только вышел на работу, так что ещё один полугодовой отпуск позволить себе не могу.
Ну вот, ты упустил редкий шанс того, чтобы тебя поливали говном на двощах/форчанах каждый раз, когда ты коммитишь что-то в master в своей репе. Мне интересно сам python + gradio потыкать, попробую, наверное, что-нибудь простое накидать, как время найду. Хотя у меня с ним тоже не особо хорошо, на самом деле. Да и на питоне я вообще не пишу, так что вероятность того, что выйдет не говно, близка к нулю.
>>362460
> Две разные модели, первая с голосом Михаила Черняка, просто более менее чистый голос взял для теста с какой то из его озвучек. Вторая это папич, качество ну среднее, во что он там вещает, обычное микро с подвала скорее всего. Первая хорошо зачитывает монотонный текст, что не удивительно, учитывая датасет, вторая более "артистичная", ведь там в датасете были эмоциональные крики.
А я думал, где же я мог слышать этот голос... Ну да, лол, более эмоциональный голос на песню явно лучше ложится.
> Предложи войсы, я хз что лучше попробовать поморфить.
Вот я тоже пока думаю, какие отрывки лучше морфить именно в целях тестирования. Вообще, как мне кажется, неплохо было бы на скороговорках потестить, чтобы было легко оценить, обсирается ли оно на каких-то определённых звуках. Ещё какие-нибудь короткие тексты для тестирования интонации. Ну и песенки, само собой. Нам бы какой-нибудь свой набор тестов для моделей составить, как в том же лама-треде заставляют петухов нести яйца и выясняют, сколько рыб осталось в аквариуме, если половина из них утонет.
> А я хз, обычная базовая какая то в конфиге указана в разделе pretrained. На что это менять? Отсюда подойдут модели типо https://github.com/snakers4/silero-models/blob/master/models.yml ?
Там вроде формат моделей другой. В репе у so-vits-svc-fork накое увидел: "If you have trained on a large, copyright-free dataset, consider releasing it as an initial model". Но где смотреть текущий список альтернативных моделей я не нашёл. Базовые модели скачиваются из этой репы: https://huggingface.co/datasets/ms903/sovits4.0-768vec-layer12/tree/main/sovits_768l12_pre_large_320k Но там в репе нет какой-то полезной инфы вроде как.
> О, есть гуй для этого дела, я в китаевебуи делал разными моделями, одной из них вышло получше.
> А обязательно его? В китаегуе разве не на его основе? https://github.com/RVC-Project/Retrieval-based-Voice-Conversion-WebUI
Надо глянуть тогда, спасибо за наводку.
> Я через audacity делал вот эти две, там можно чуть подредачить как раз.
Есть такой момент, да. По хорошему надо ещё вручную лишние звуки удалять из дорожки с вокалом, перед объединением вокала и инструменталки. Тут без какого-то стороннего UI никак. Это можно воспринимать аналогично генерации в автоматике картинок с низким разрешением, правка их в ФШ, а потом применение тайлового апскейла к уже исправленным картинкам.
> Заёбный тоже этап, большинство гуев к ффмпегу еррор выдают при конверте из аудио и картинки в видео, пришлось сначала через loop, а потом ещё и обрезать лишнее.
Я через cli делаю, и сейчас выношу команды в gradio (пики 2-3). В моём понимании, там надо просто несколько разных команд предоставить для разных форматов файлов. Но может я чего-то не понимаю - я в кодеках и в медиа в целом не разбираюсь.
> Ну модель есть, хз чем её можно запускать только. Про какую облачную говнину кстати речь?
SoundWorks, выше обсуждали.
> Ты про пик2? Можешь запилить на гитхаб или куда нибудь этот вебгуй что собрал?
Я в процессе пока, если хотя бы основные табы для ffmpeg и so-vits-svc-fork осилю реализовать, то выложу.
>>362305 →
> Местами даже слишком хорошо, лойс поделись
Поделюсь чуть попозже. Попердолюсь сперва, хочу всё же хотя бы несколько эпох между собой сравнить, зря что-ли 300 чекпоинтов нагенерировал. Я пока вообще не могу понять, возможно ли эту штуку переобучить. Пробовал её обучать уже суммарно больше двадцати часов, и не сказал бы, что становится хуже (тестирую 1247 эпох против 2371), но разница между голосами становится минимальна.
> There are many exciting use cases for generative speech models, but because of the risks of misuse, we are not making the Voicebox model or code publicly available at this time.
> While we believe it is important to be open with the AI community and to share our research to advance the state of the art in AI, it’s also necessary to strike the right balance between openness with responsibility.
>редкий шанс того, чтобы тебя поливали говном
Этого у меня навалом ))
>>363705
>https://voicebox.metademolab.com/
Чёт прям интересно стало с этим пунктом.
Небось не выпустят нихуя, а то с таким инструментов генерить подделки станет как никогда просто.
>>363730
Как знал, слишком хороша для публики.
> А я думал, где же я мог слышать этот голос... Ну да, лол, более эмоциональный голос на песню явно лучше ложится.
Похож? Он впринципе получился почему то куда лучше, несмотря на то что я тренил его всего 4-5 часов и датасет был достаточно скромным. А вот другая сетка с большим датасетом и долгой тренировкой лажает как то больше, вон даже в зачитывании анекдота запинается.
> Вот я тоже пока думаю, какие отрывки лучше морфить именно в целях тестирования
Хуже всего справляется с дефектами в речи. Вон расистская песенка без проблем морфится, даже акцент пропал, правда только с одной моделью. Мб вторая перетренена сильно в итоге? Эпохи старые не сохранились, проверить это даже не могу.
> Нам бы какой-нибудь свой набор тестов для моделей составить
Хорошая идея, только хз что считать платиной.
> Там вроде формат моделей другой. В репе у so-vits-svc-fork накое увидел: "If you have trained on a large, copyright-free dataset, consider releasing it as an initial model". Но где смотреть текущий список альтернативных моделей я не нашёл. Базовые модели скачиваются из этой репы: https://huggingface.co/datasets/ms903/sovits4.0-768vec-layer12/tree/main/sovits_768l12_pre_large_320k Но там в репе нет какой-то полезной инфы вроде как.
Ну тогда с этого чекпоинта дотренивать только остаётся.
Кстати насчёт тренировки, я попробовал с 1е-3, но более быстрым распадом, тренируется судя по тензорборду нормально, тренд такой же нисходящий, но получилась какая то херня после 200 минут тренировки. Я скорее всего обосрался с датасетом, надо перепроверять.
> как в том же лама-треде заставляют петухов нести яйца и выясняют, сколько рыб осталось в аквариуме, если половина из них утонет
А потом выясняют кто собакошиз, кто собакошизошиз и кто собакошизошизошиз.
> Есть такой момент, да. По хорошему надо ещё вручную лишние звуки удалять из дорожки с вокалом, перед объединением вокала и инструменталки. Тут без какого-то стороннего UI никак. Это можно воспринимать аналогично генерации в автоматике картинок
Всё так, именно так и воспринимается, никто не мешает так же из оригиала, если он не сильно отличается, подсунуть части голоса в плохо получившиеся места, по аналогии со слоями в фотошопе.
> с низким разрешением, правка их в ФШ, а потом применение тайлового апскейла к уже исправленным картинкам.
Ты прямо из лоуреза тайловым кнетом делаешь? У тебя получилось добиться приемлемого качества с таким? Я сколько его не тестил, он всегда выдавал картинку хуже по сравнению даже с хайрез ганом, про латент вообще молчу, либо мыло, либо детализации практически нет, ответь в наи насчёт этого лучше.
> Я через cli делаю, и сейчас выношу команды в gradio (пики 2-3). В моём понимании, там надо просто несколько разных команд предоставить для разных форматов файлов. Но может я чего-то не понимаю - я в кодеках и в медиа в целом не разбираюсь.
> Я в процессе пока, если хотя бы основные табы для ffmpeg и so-vits-svc-fork осилю реализовать, то выложу.
Ну это уже выглядит в целом юзабельнее, чем прыгать между трёх консолей и трёх хгуев. Они типо сейчас не рабочие? В чём проблема? Вижу что ты через комманду вызываешь ффмпег, может проще будет всё это внутренними зависимостями сделать? Ффмпег вроде есть прямо в пипе, сама морфилка ведь тоже на питоне, можно хоть колесо собрать, хоть просто скрипты напихать по идее.
Забирай: https://civitai.com/models/95845/senko-so-vits-svc
Аноны, есть тут кто-нибудь кто шарит в подкапоте этой нейросети?
Вот у меня большой датасет, несколько тысяч файлов, общей длительностью часа 2.
Я треню с помощью колаба. Но у калаба много ограничений. В частности меня волнует то, что он вырубается через 3 часа. Потом я запускаю обучение снова, опять 3 часа, опять запускаю и т.д.
И я вот что подумал.
Если нейросеть берет по порядку файлы датасета и выполняет свое обучение и если обучение прерывается каждые 3 часа, то ведь получается что те файлы которые в начале списка используются в таком прерывистом обучении чаще чем те, которые в конце.
Например представьте, что обучение прерывается каждые 10 минут и вы каждые 10 минут запускаете его снова в этом случае нейросеть будет успевать только первые файлы датасета обработать и будет обучаться только на них. С прерыванием каждые 3 часа тот же принцип - даже если обучение успевает сделать ротацию по всем файлам датасета, всё равно есть перекос в сторону файлов которые в начале списка.
Учитвая это всё, имеет ли в таком случае смысл перемешивать файлы в датасете? Просто меняя их имена на рандомные в начале каждого обучения?
Сохранение идёт по эпохам, когда прошла итерация по всему датасету. Так что для каждого чекпоинта число повторов по одним и тем же файлам будет одинаковое по идее.
Благодарность, чё.
Получилось так себе, голос ЯВНО не подходит под модель, но забавно.
Хм, у меня вот так вышло, настройки пикрелейтед.
>>368658
А для изменения файла голоса с помощью модели тоже нужна видеокарта с памятью или уже можно на своем некро-калькуляторе менять, а видеокарта только для обучения?
> GPU inference requires at least 4 GB of VRAM. If it does not work, try CPU inference as it is fast enough.
Из офф. репы so-vits-svc-fork.
> Похож? Он впринципе получился почему то куда лучше, несмотря на то что я тренил его всего 4-5 часов и датасет был достаточно скромным. А вот другая сетка с большим датасетом и долгой тренировкой лажает как то больше, вон даже в зачитывании анекдота запинается.
Да, похож, я просто его совсем мало слышал, поэтому не узнал сразу. Дикция шикарная на втором примере, но вот звуки определённые проглатывает, это да. Не пробовал папичем тот же анекдот озвучить, на тех же звуках будет спотыкаться? Я просто боюсь, что дело всё же в базовой модели может быть и так просто эту проблему не забороть для любых аудио на русском.
В офф. репе базовой модели такая инфа об исходных данных для обучения ( https://huggingface.co/datasets/ms903/sovits4.0-768vec-layer12 ):
> 新增large底模，由m4singer+vctk数据集训练，294k为loss14.75的，320k为最终训练步数。
Базовая модель для so-vits-svc-fork была обучена на этих наборах данных:
https://m4singer.github.io (полностью китайский)
https://paperswithcode.com/dataset/vctk (полностью английский)
Интересно, есть ли подобные готовые русскоязычные датасеты и насколько реально обучить базовую модель в домашних условиях. Требования по обучению/генерации тут всё же более щадящие, чем для той же генерации картинок; может на условных 24GB можно обучить что-то?
> Ну это уже выглядит в целом юзабельнее, чем прыгать между трёх консолей и трёх хгуев. Они типо сейчас не рабочие? В чём проблема? Вижу что ты через комманду вызываешь ффмпег, может проще будет всё это внутренними зависимостями сделать? Ффмпег вроде есть прямо в пипе, сама морфилка ведь тоже на питоне, можно хоть колесо собрать, хоть просто скрипты напихать по идее.
Да там пока кроме извлечения аудио из видео и конвертации аудио+картинки в видео ничего нет, весь код литературно вот - https://pastebin.com/8JW5qMdj Пока всё на коленке и совсем кривое не хочу репу на гитхабе заводить.
Из зависимостей gradio поставленный в venv или глобально, ну и ffmpeg, добавленный в path. Он не будет работать с путями, если там есть пробелы в именах файлов. Ну и я так и не заморочился пока с тем, чтобы команды для ffmpeg универсальные сделать, под все популярные типы файлов. Будет кидать файлы в output -> audio2video/video2audio.
Из интересного нашёл ещё такую штуку - https://github.com/pkalogiros/AudioMass
По сути, это браузерная тулза с локальным go-сервером, котоая выполняет ту же роль, что и Audacity, только в ней, вроде как, нельзя несколько треков одновременно обрабатывать, хотя для простого удаления шумов из дорожки с изменённым голосом это и не нужно. Если делать какой-то комбайн по типу web-ui от автоматика, то можно было бы попробовать решение по типу этого туда сразу интегрировать...
Я ещё подумал, что, может, вместо того, чтобы свой велоспид делать пытаться, лучше контрибьютить в RVC начать - предложить им добавить новые табы для типовых ffmpeg операций. У них и так там уже и разделение инструменталки/вокала и морфинг интегрирован в рамках одного web-ui, так что это более навороченная тулза, чем so-vits-svc-fork.
Требования по обучению/[...] тут всё же более щадящие, чем для той же генерации картинок
Хотя это, конечно, сильное заявление. С теми же лорами на SD всё совсем лайтово по системным требованиям для обучения стало теперь.
Так то лоры. Анон выше кажись предлагает обучать базовую модель специально для русика, потому что ангельские херят немного.
Это я и был. Я просто про то, что систему файнтьюна для sd сделали сильно лучше с течением времени, что привело к снижению системных требований для обучения, так что для обучения лор/ликорисов сейчас могут быть ниже системные требования, чем для дообучения звуковых моделей.
Но обучить полновесную модель с нуля по типу SD нереально сейчас, на неё потратили $600 000. А для обучения голосовой модели всё может быть не так страшно, если сравнить размеры датасетов для SD и этой голосовой модели:
Stable Diffusion - была обучена на 2.3 миллиардах пар текст-картинка.
Базовая модель для so-vits состоит из двух датасетов:
VCTK (CSTR VCTK Corpus) - 110 English speakers with various accents. Each speaker reads out about 400 sentences, which were selected from a newspaper, the rainbow passage and an elicitation paragraph used for the speech accent archive.
Итого 110 x 400 = 44000 английских предложений.
M4Singer - 20 professional singers, covering 700 Chinese pop songs as well as all the four SATB types (i.e., soprano, alto, tenor, and bass)
Итого 20 x 700 = 14000 песен на китайском.
Мнение?
>Мнение?
Английская модель не подойдет к русской речи, фонемы другие.
Тензорборд у тренировки витса прямо намного полезнее картинкотренировки от кохи, даже сэмплы можно посмотреть по эпохам, хотя там вроде в последних коммитах тоже есть генерация пробных пикч, в тензорборд это добавляется или не, не знаешь?
Перетренил с 1е-3 с меньшим датасетом, но более однородным. Два часа где то тренилось, вышло получше и схоже с датасетом, видрил2. Надо подольше потренить и почекать на предмет улучшений.
> Да, похож, я просто его совсем мало слышал, поэтому не узнал сразу. Дикция шикарная на втором примере, но вот звуки определённые проглатывает, это да. Не пробовал папичем тот же анекдот озвучить, на тех же звуках будет спотыкаться? Я просто боюсь, что дело всё же в базовой модели может быть и так просто эту проблему не забороть для любых аудио на русском.
Запинается, но в других местах, видрил1. Видимо недостаточный датасет для определённых мест в разных тренировках, вон местами вообще интонация голоса пропадает и попискивает.
> Интересно, есть ли подобные готовые русскоязычные датасеты и насколько реально обучить базовую модель в домашних условиях. Требования по обучению/генерации тут всё же более щадящие, чем для той же генерации картинок; может на условных 24GB можно обучить что-то?
Ну даже если попробовать грубый подсчёт по данным что ты нарыл будет 110 спикеров на 400 предложений - 44000 чанков по 10 секунд на каждую эпоху, простых спикеров не считая поющих * 320к эпох с батчем ну в лучшем случае в ~28-30 с ~2it/s (у меня вроде столько выдаёт) это 733 секунды на эпоху и 234560000 секунд на 320к, ну как раз дотренится к моменту выхода какой нибудь квантовой нвидии каждому мимокроку в пекарню. Вроде нигде не обосрался в подсчётах, поправь если да.
> Да там пока кроме извлечения аудио из видео и конвертации аудио+картинки в видео ничего нет, весь код литературно вот - https://pastebin.com/8JW5qMdj
Окей, попозже покопаюсь, может что дельного смогу сделать.
> Из интересного нашёл ещё такую штуку - https://github.com/pkalogiros/AudioMass
Воу, там и питоном можно, только вторым, лол, я уж думал не увижу больше такого. Плохо кстати что нельзя дорожки друг на друга накладывать.
> Я ещё подумал, что, может, вместо того, чтобы свой велоспид делать пытаться, лучше контрибьютить в RVC начать - предложить им добавить новые табы для типовых ffmpeg операций. У них и так там уже и разделение инструменталки/вокала и морфинг интегрирован в рамках одного web-ui, так что это более навороченная тулза, чем so-vits-svc-fork.
Ну да, но там не хватает настроек морфинга. Да и тренирует почему то хуже и тензорборд не завезли.
>Видимо недостаточный датасет для определённых мест в разных тренировках, вон местами вообще интонация голоса пропадает и попискивает.
Там никакой детекции и нет, это не так работает. Просто в твоей модели нет подходящих звуков, поэтому его и корежит. Это основная проблема этого метода.
> Просто в твоей модели нет подходящих звуков
Ну да, я это и имел ввиду под недостаточностью датасета, ведь разные натрененные модели запинаются в разных местах.
Именно поэтому ты не можешь кинуть любую модель на любой голос. И мой тебе совет, посмотри на дорогу после генерации совитсом, она как бы вся выровненная получается. Я думаю, чтобы не корежило надо какую-то нормализацию делать до войс-свапа.
Я пробовал нормализацию делать в audacity с низкими значениями, так действительно лучше получается. Там же можно и вырезать лишнее после, ну и заменить плохие куски оригиналом или морфом с другими настройками, где этот кусок получился лучше.
Да, но в целом технология для серьезных и больших проектов не подходит, надо все дрочить вручную. То есть час-два звука делать ты охуеешь.
>Мнение?
Управимся в 6000 баксов. Хуйня вопрос, сейчас из тумбочки достану.
>>369649
А другие варианты?
https://huggingface.co/spaces/mms-meta/MMS
Добра тебе, анон.
>В чём профит?
Пока тестирую сам. Могу однозначно сказать, что за пару обучения уже получается хорошая модель. Но насколько я понял rvc легко переобучается и там нет смысла делать больше 300-500 эпох 3 часа на t4. Сегодня вот улучшил свой датасет и поставил обучаться 200 эпох, посмотрю какое качество будет.
Сейчас твич и ютуб заполонили вот такие каналы https://www.twitch.tv/trumporbiden2024 где
боты отвечают чату в режиме реального времени, по ссылке например голосами байдена и трампа. Понятно что тут как-то сделали tts модель, копирующую чужой голос, но как?
Умельцы сделайте плиз ремикс Лета и Арбалеты голосом Пригожина
Круто получилось я бы даже схоронил, но слишком много изъянов всё-таки. Слова проглатываются, смазываются в некоторых местах.
>сделайте
не сделаем, если найдешь уже обученную модель, тогда подумаем. а самому сейсас нарезать и обучать потому что ты сказал, извольте нахуй.
Если у тебя нет мощностей на тренировку, то хоть датасет собери.
Это сделано на коленке, без малейшей обработки. Если пошаманить, можно убрать большинство изъянов. Акцент останется, такой уж оригинал голоса, но мне даже нравится.
Алсо, подкиньте обученных моделей для so-vits. На цивите и хаггинфейс почти ничего нет.
> Если пошаманить, можно убрать большинство изъянов.
что делать надо?
Да хуйня, мелко мыслишь. https://www.youtube.com/watch?v=F-JHxApZKcY вот это голосом Пригожина было бы реально круто.
Прогнать отдельно левый и правый каналы, т. к. so-vits выдаёт только моно. Убрать "протечки" музыки в канал голоса, чтобы не было этих визгов перед вторым куплетом. Вообще повозиться с исходником. Переделать локально места, где теряются части слов. Может на выходных сделаю.
Да, сделай анон. Модель голоса очень классная.
Интересно если её дальше тренить она лучше станет или это предел?
> Интересно если её дальше тренить она лучше станет или это предел?
Могу попробовать ещё дольше потренить. То, что на цивите, тренилось ~20 часов на 4090, но разница между моделями, обученными на 11 и 20 часов, как мне показалось, совсем небольшая.
Что ты не умеешь, вырезать куски аудио? Тогда убейся нахуй, очисти генофонд человечества от своей тупизны.
нахуй мне учиться когда всегда найдется куколд согласный все сделать за бесплатно, типа тебя
Как-то так в общем.
+бонус
>типа тебя
Чел, я тебя обоссываю, как и остальные тут. Если кто-то и сделает твой реквест, то чисто случайно, лишь потому, что сам захотел. А теперь обтекай молча.
>Silkwormv2.mp4
Слава теперь хорошо слышно, но сам голос потерялся. Кажется что просто оригинал с большим питчем.
Не, что 8, что 30 часов обучать, я разницы не слышу просто. Может надо было на другом отрывке тестить, чтобы разницу услышать... Но, судя по графику в Audacity, разница всё же есть. Графики лосса с последней сессии (с 2371 по 3711 эпохи) я хз как интерпретировать, нужно мнение анонимных датасаентистов.
>>379349
> Прогнать отдельно левый и правый каналы, т. к. so-vits выдаёт только моно.
Вот это крутая подсказка кстати, спасибо. Вот тут с картинками объясняют, как в Audacity стерео-треки разбить по каналам, а потом обратно склеить: https://manual.audacityteam.org/man/splitting_and_joining_stereo_tracks.html
Голос Кипелова вообще не поддается, такое морф можно сказать ни куда не пойдет, а выше вон >>368658 Наутилус относительно нормально поменялся. Хотя у наутилуса голос даже ниже и более хриплый.
Хм, попробую тогда вечером что-нибудь другое заморфить на нескольких эпохах и ещё раз сравнить.
короче я щас сам попробую ряди интереса сделать кипелова на rvc, модель нашел
Нейронка rvc v2, 100 эпох.
Думаю всё дело в настройках применения модели к дорожке, а не в самой модели.
Надо будет только придумать, из каких фраз составить датасет.
За что платить? so-vits-svc не синтезирует речь, а только тон голоса "меняет".
Бля удоли свой пост. Даже как-то стыдно что ОП этого ИТТ (зис) треда ни хуя не понимает в теме.
Так получилось, потому что я добавил эхо и реверб, а в припевах сделал голос дуэтом. В итоге потерялось ощущение пения под караоке.
>оригинал с большим питчем
Питч я, кстати, не трогал. Стоит 0 без автокоррекции.
Если что, вот версия без обработки.
По-моему вот этот вариант уже получше будет, но всё равно нет голоса персонажа.
Из всех что были в треде пока идеальный вариант вот тут >>379312 прямо от сэю не отличить.
Ну и вот тут не плох >>368658
Но "на заре" можно как образец морфа прям показывать, очень удачно получилось.
Самое ужасное, что я никак не могу воспроизвести это. Хотел сейчас сделать всю песню и не запомнил, как выставил ползунки в тот раз. Теперь из припева получается какая-то каша.
https://rentry.org/tts_so_vits_svc_fork_for_beginners
Ты дурак. Видишь, даже без вопросов, просто констатирую факт.
Тред - о генерации речи из текста, а не смене тона голоса. Фишку про генерацию бесплатной моделью и изменению голоса на "нормальный" я придумал в прошлом треде, но ты не вкурил, зачем это нужно. А нужно это потому, что бизнес сегодня использует существующие облачные модели для пре-генерации фраз и использования их, например, в помощниках. Но генерация динамических фраз - дорогое удовольствие. Если обучить модель голосу существующей облачной модели, можно будет сэкономить немало денег на генерацию, и позволить агенту общаться с клиентом тем же голосом, что был использован для облачной генерации инструкций.
Не говоря уже об исправлении существующих фраз, чтобы не мудрить с SAML, который не каждый провайдер поддерживает в должном объёме.
Использовать другую модель для отделения инструменталки. Смотри, если сэмплинг выставлен тот же, что у оригинала. Можешь попробовать изменить метод отделения (MDX-Net итп).
>А нужно это потому, что бизнес сегодня использует существующие облачные модели для пре-генерации фраз и использования их, например, в помощниках.
>Но генерация динамических фраз - дорогое удовольствие.
Ты опять всё перепутал дурачок. Облачный сервис яндексу нужен, потому что синтезированная речь часто отправляется в устройства с низкой вычислительной мощностью или в приложения - навигатор, настольный динамик "Алиса", короче в софт, который сам бы дольше синтезировали речь, чем получал звуковой файл по интернету, но сама по себе tts операция не "дорогое удовольствие", а очень дешевое, которое легко выполняет пека 10 летней давности.
Твое предложение копировать яндесовский tts на самом деле очень тупое и совершенно бессмысленное, думай прежде чем писать. Вообще даже теоретически это бред, в опенсорсе давно есть легкие tts движки которые превосхояд яндекс, сам таким пользуюсь.
Чел, твой запрос никто не выполнил и не выполнит. Ты обоссан, обтекай молча.
>Если кто-то и сделает твой реквест, то чисто случайно, лишь потому, что сам захотел
Убеждай себя чмоня, пару раз вы уже сделали мои реквестики. сделаете и еще не один раз, как миленькие, обтек тебе за щеку, проверяй
По uvr, тебе не надо выбирать галочки инструментал или вокал, если ты ничего не выберешь то сделается и то и то.
О норм. Контент для треда. Молодец анон. Только so_vits это не tts.
> По uvr, тебе не надо выбирать галочки инструментал или вокал, если ты ничего не выберешь то сделается и то и то.
И вправду... Что за сверхразум придумал этот UI, обе галочки отметить нельзя, но если их обе снять, то поведение эквивалентно двум отмеченным галочкам. Добавил в статью, спасибо.
>>383678
Я понимаю, просто статья для tts-треда (отдельного sts-треда у нас нет), поэтому такой префикс решил сделать.
> но сама по себе tts операция не "дорогое удовольствие", а очень дешевое, которое легко выполняет пека 10 летней давности
Блядь, съеби отсюда. У нас стоит яндексовский сервер в дата центре, эта ебала стоит более 15 тысяч баксов, и генерирует 15 секунд речи в секунду. А теперь нахуй пошёл!
> в опенсорсе давно есть легкие tts движки которые превосхояд яндекс
Нету. Потому что "движка Яндекс" нет, но нет и ОС движка, превосходящего тот, что использует Яндекс.
>Полноценное использование so-vits-svc-fork требует наличие видеокарты NVidia с 4GB VRAM. Если у вас с этим проблемы, то программа может полностью исполняться на процессоре с меньшей скоростью.
4gb требуется для inference, для обучения нужно 10gb.
Чел, я весь гайд вычитывать не буду но если ты в само начале такие ошибки допускаешь, то походу всё очень плохо.
>>383820
Добавил инфу про 10GB VRAM для обучения. Я помню, что видел это инфу ранее, но забыл упомянуть в гайде. Мой косяк, да.
Дайте знать, если ещё надо что-то поправить/дополнить надо, я сам в этой теме меньше месяца, так что наверняка какие-то важные нюансы мог упустить.
>Добавил инфу про 10GB VRAM для обучения.
Тащемта обучать можно и на 4gb, ставишь "batch_size": 3 в конфиге, будет работать. Передаю привет с нищей 3050.
В репе четко написано что 10 надо. Разработчику виднее как его хуйня работает, может там хуево учится с глюками в моделе, если памяти меньше.
>Разработчику виднее как его хуйня работает
Ну так он там же и пишет, что вот тебе пожалуйте минималка 4 гига, вот для того чтоб там работало крутани тута, тама и здеся, ну и живи, только подорожник ещё приложить не забудь.
Про 10 гигов просто рекомендация по целесообразности, про глюки и то что модель в говно будет там и слова нет. От то что медленнее будет учится, согласен.
Да в стэйбл дифюжн тоже можно память снизить, только после этого то тут то там вылезают необъяснимые глюки.
За СД не скажу, там я модели не обучал, это уже вопросы к СД.
Тут же я попробовал и своей цели достиг в какой то мере, каких то прям глюков глюков не застал.
Какие то шероховатости я смог объяснить тем, что датасет всего 9 минут с небольшим и он весьма не идеален, при том что очень желательно минут 12 и более с лучшим качеством.
Вот пример 8015 эпох, из обработок высоких чутка поднял эквалайзером, эхо накинул и лимитер влепил, просто потому что uvr немного грязно отработал.
> хотя там вроде в последних коммитах тоже есть генерация пробных пикч, в тензорборд это добавляется или не, не знаешь?
Не знаю, я кохя-скрипты давно не обновлял...
> Ну даже если попробовать грубый подсчёт по данным что ты нарыл будет 110 спикеров на 400 предложений - 44000 чанков по 10 секунд на каждую эпоху, простых спикеров не считая поющих * 320к эпох с батчем ну в лучшем случае в ~28-30 с ~2it/s (у меня вроде столько выдаёт) это 733 секунды на эпоху и 234560000 секунд на 320к, ну как раз дотренится к моменту выхода какой нибудь квантовой нвидии каждому мимокроку в пекарню. Вроде нигде не обосрался в подсчётах, поправь если да.
Да, пересчитал твои цифры, ~7.4 лет на одной 4090 придётся тренировать, и это если учесть только половину датасета. Так что в домашних условиях нереально самому базовую модель обучить, если не урезать датасет или делать число эпох на порядок-два ниже.
>>384130
>>384146
"Полноценное использование so-vits-svc-fork требует наличие видеокарты NVidia с 4GB VRAM. Обучение своих моделей так же можно проводить на видеокарте с обёмом памяти 4GB VRAM, однако, разработчкик рекомендует проводить обучение хотя бы на 10GB VRAM."
Так корректнее будет?
Нет, даже rvc и rvc v2 несовместимы. Но на rvc быстрее обучишь в 10 раз.
Вообще инференс so-vits прекрасно работает без видеокарты, раза в 2-3 медленнее.
>[...] Если у вас с этим проблемы, то программа может полностью исполняться на процессоре с меньшей скоростью. AMD GPU поддерживается только для Linux.
Эту строчку планировал дальше оставить. И вправду такая маленькая разница в скорости?
Проверил сейчас. Кусок аудио 14 секунд длиной обрабатывается на ноутбучной 3050 за 4 секунды, а на i5-10500 за 14.
У господ с 4090 будут другие тайминги.
Взял отрывок аудио длиной 36 секунд:
4090: обрабатывается 4 секунды
i9-9900k: обрабатывается 22 секунды
В чем видеорилетейд делалось? В шапке написано что только японский же?
только вкатываюсь в нейроозвучку
Расскажи как делал, я тоже хочу озвучивать чуваом из постала.
Эта штука только заменяет голос? В текст то спич не может?
Спасибо, потрогал, работает. Сколько вообще нужно тренировать до хорошего результата? Ты сколько чувака тренил?
В примерах, я смотрел, файлы по G_56000 лежат.
Индивидуально. Зависит ок количества датасета и его разнообразия. У чувака 90000, но разницы с 50000 большой нет.
А ты как датасет собирал? Я когда-то давно из видео "Все фразы чувака из postal" повырезал, сохранив в формате wav. Хотел себе на компе системные звуки на фразы чувака заменить. Вот, сейчас пригодились, ради пробы сделал G_2000, сейчас доделалась 10000, буду тестить.
Если кому надо, могу скинуть архив со всеми фразами чувака.
Поясните, хочу обучить модель, у меня есть запись как чел читает книгу, с паузами, мне надо эти паузы вырезать или они ни на что не влияют?
У so-vits-svc-fork так:
> Training
> Silence removal and volume normalization are automatically performed (as in the upstream repo) and are not required.
Как у RVC не знаю.
Ну вроде нормально получилось, юзал RVC.
Не могу только найти индекс файл, он вообще ещё нужен и что делает, вроде и без него конвертирует.
Голову бы тебе оторвать, мудак. Не смей Доки но сакура трогать, мразь.
> Не смей Доки но сакура трогать, мразь.
Это название песенки? Покажи оригинал.
>оригинал
https://www.youtube.com/watch?v=Br9ALPmS1fA&t=0s
>Это название песенки?
Это был тонкий реквест, но мне пока лень делать.
> Это был тонкий реквест
Стал бы я иначе спрашивать исходник.
https://www.youtube.com/watch?v=0MqcwLjPQ9g
Держи, подонок. 10 000 лет жизни Императору! Божественный ветер!
Я до 500 на кал лабе месяц тренил. Видимо от датасета зависит у меня было 2+часа в паре тысяч файлов.
https://youtu.be/sOR8m9x4OJQ
Круто получилось, вообще не слышно дребезжания уже.
Как можно датасет улучшить? Я нарезал 110 треков по 8-10 секунд
И на 500 эпохах всё равно хуёво, голос срывается и квакает, что я делаю не так? Могу ещё 100 нарезать, это поможет?
Анон, я у тебя пару дней назад спрашивал про обучение чувака. Вот, натренировал свою модель до g_10000, решил затестить на песьне кота Леопольда и оно легло идельно. Пробовал на других записях и всегда какой-то шакал выходит, даже если идёт +/- норм, в какой-то момент голос тупа срывается. Но вот в этой песне, он как родной. Зацени, что скажешь?
https://youtu.be/UGHXJlTu9HU
> Круто получилось, вообще не слышно дребезжания уже.
Ага, я сам прям кайфанул от того, как здорово вышло.
> Как можно датасет улучшить? Я нарезал 110 треков по 8-10 секунд
Может разнообразия звуков в датасете не хватает? У меня есть старая модель, которую обучал только по первым двум сериям аниме, там 21 минута голоса вышла. Прикрепил один и тот же отрывок для сравнения:
v1_e1305 - датасет 21 минута, 1305 эпох, 28 батч сайз
v2_e800 - датасет 69 минут, 800 эпох, 28 батч сайз
v2_e2371 - аналогично предыдущему, только больше эпох (это та версия, что на цивите как v1 выложена)
v2_e4366 - аналогично предыдущему, только больше эпох да, я обучал это 40 часов, потому-что почему бы и нет?
Во всех случаях звучит приемлемо, хотя у первого варианта датасет в три раза меньше. Но тут, конечно, такая проблема, что надо много тестов делать, чтобы хоть какие-то выводы можно было наверняка сделать - а нормальных инструментов по автоматизации этого процесса, типа гридов в SD, просто нет. А вручную слишком запарно это всё тестировать, надо скрипты хотя бы накидать, по хорошему - в том же so-vits есть CLI.
Отрывки я тоже все делал <10 секунд, как разработчик советовал.
> И на 500 эпохах всё равно хуёво, голос срывается и квакает, что я делаю не так? Могу ещё 100 нарезать, это поможет?
Может быть плохо вокал от инструменталки отделился для тех отрывков, которые тестировал? Пробовал те же отрывки на других моделях тестировать?
Либо может на неудачных отрывках тестируешь - у меня есть отрывки, на которых голос срывается вне зависимости от того, какую модель использую. Пробовал тестировать на разных версиях моделей с Сенко, и ещё пробовал Саю и Нахиду с хаггингфейса. Никто не вытягивает определённые участки. Тут остаётся только базовую модель винить.
>>392418
> Голос японский, да?
Да, датасет состоит из 69 минут японского голоса.
Как датасет собирал? Если из анимы резал, то как отделял от фоновых звуков?
Из анимы ручками резал, да. Сначала при помощи https://github.com/Anjok07/ultimatevocalremovergui убрал все фоновые звуки, а потом вручную нарезал голос нужного мне персонажа через Audacity, используя такой подход >>353861
Из-за разности в голосах тональности скорее всего проблема. Пробуй кнопки режимов повыбирать, типо harvest, creepe и ещё чото-там, короче, все попробуй.
В любом случае получилось лучше, чем у меня, молодец!
Это где? Я серез этот коллаб мутил
https://colab.research.google.com/drive/1128nhe0empM7u4uo5hbZx5lqjgjG1OSf
Это или неподъемная задача, или что? И почему модели ни кто не где не выгружает, бояться что выебут за авторские права?
> бояться что выебут за авторские права?
Нет, образец голоса защищается другими законами, по сравнению с которыми авторские права - детский сад. Ни одна компания (вроде HuggingFace) на такое не пойдёт.
Анон, выручай, не видит видимокарту. У меня GTX 960, там cuda присутствуют.
Устанавливал через
pip install -U so-vits-svc-fork
Пробовал установить Pytorch with CUDA через
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117
О, всё. пофиксил, помогло
pip install -U torch torchaudio --index-url https://download.pytorch.org/whl/cu118
Проиграл, лучше наверное уже и не сделать, с тем что сейчас есть по крайней мере.
А можно RVC модель конвернуть в SVC ?
Я так понял все каверы делают на RVC и они достаточно нормально работают с русскими лексамами (буква Р выговаривается)
А вот модели SVC сплош с акцентом звучат и ощутимо хуже работают, на зато SVC в реал тайм умеют
Пол дня пердолился с этим гайдом. Написали бы хоть где-нибудь что с 2060 туда можно не соваться.
Датасет на голос с лисой, на случай, если кто-то захочет модель на RVC или ещё что-то обучить. А то я нескоро этим займусь похоже.
RVC модели⬇️
RVC_Voice_1:
1- 50cent
2- Alduin
3- Ани Лорак
4- Arnold Schwarzenegger
5- Bella Poarch
6- Biden
7- Billie Eilish 2021
8- Billie Eilish 2019
9- Bob Dylan
10- Borat
11- Brigadier
RVC_Voice_2:
1- CardiB
2- Don Lafontaine
3- Elon Musk
4- elton
5- Eminem
6- Franklin Clinton
7- Freddie Mercury
8- Gabe Newell
RVC_Voice_3:
1- Georgew Bush
2- Gman
3- Johnny Silverhand
4- Kanye
5- Лена Катина
6- Kurt Cobain
7- Lana Del Rey
8- Leon Kennedy
9- Marilyn Monroe
10- Michael Jackson
RVC_Voice_4:
1- Michael de santa
2- Mike Patton
3- Mimir
4- Mitchie Mmiku
5- Morten
6- Namvet
7- Obama
8- Optimus Prime
9- Ozzy Osbourne
RVC_Voice_5:
1- Pitbull
2- Пригожин
3- Rick
4- Rick2
5- Sakura Miyawaki
6- Scarlett Rhodes
7- Selena
8- Shrek
9- Trevor Philips
10- Trump
11- Юлия Волкова
12- Yuna
13- Зеленский
14- Михаил Горшенёв
RVC_Voice_6:
1- Adriano Celentano
2- Akanev2(аниме)
3- Akon
4- Bob Marley
5- Bot maxim
6- Братишкин
7- Chino
8- Dalek(Доктор кто)
9- DMX
10- Geralt(eng)
11- Giorgia Meloni
12- Thrall WOW
RVC_Voice_7:
1- George Carlin
2- Frank Sinatra
3- Леонид Володарский
RVC_Voice_8:
1- Freddie Mercury 2
2- Miley Cyrus
3- Spongebob Squarepants
4- Глад Валакас
RVC_Voice_9:
1- Крош(смешарики)
2- Kurt Cobain 2
3- Егор Летов
4- LisaAImodel
5- Lyn lapid
6- Marmok
7- Nancy Drew
8- Neurosama(аниме)
9- Peter Griffin
10- Винни-Пух
11- Glados
12- Siri ru
13- Юрий Стоянов
14- Trump2
15- Viktor
16- Yandex Alisa
RVC_Voice_10:
1- Пригожин 2
2- Rihanna)
RVC_Voice_11:
1- Александр Головчанский
2- Александр Клюквин
3- Александр Рахленко
4- Александра Курагина
5- Алексей Борзунов
6- Андрей Гаврилов
7- Антон Савенков
8- Артём Карапетян
9- Борис Репетур
10- Вартан Дохалов
11- Василий Ливанов
12- Вероника Саркисова
13- Вероника Саркисова_2
14- Виктор Цымбал
15- Виталий Соломин
16- Владимир Антоник
17- Владимир Вихров
18- Владимир Ерёмин
19- Владимир Зайцев
20- Владимир Познер
21- Владислав Копп
22- Всеволод Кузнецов
23- Высоцкий Владимир
24- Вячеслав Баранов
25- Глушковский Михаил
26- Головчанский Александр
27- Денис Беспалый
28- Денис Некрасов
29- Дмитрий Полонский
30- Дмитрий Пучков
31- Дмитрий Пучков 2
32- Евгений Леонов
33- Евгений Суслов
34- Иван Жарков
35- Игорь Старосельцев
36- Игорь Тарадайкин
37- Илья Барабанов
38- Илья Бледный
39- Илья Исаев
40- Леонид Белозорович
RVC_Voice_12:
1- Леонид Белозорович_2
2- Леонид Володарский
3- Михаил Белякович
4- Михаил Георгиу
5- Matthew McConaughey
6- Никита Прозоровский
7- Николай Буров
8- Николай Дроздов
9- Олег Вирозуб
10- Ольга Зубкова
11- Рогволд Суховерко
12- Руслан Габидуллин
13- Светлана Репетина
14- Сергей Бурунов
15- Сергей Пономарёв
16- Сергей Чихачев
17- Сергей Чонишвили
18- Сергей Чонишвили 2
19- Станислав Концевич
20- Юрий Живов
21- Юрий Левитан
22- Юрий Яковлев
SVC модели⬇️
Voice_1:
1- Михаил Горшенёв (Эпох: 4400 )
2- Михаил Горшенёв 2 (Эпох: 3080 )
3- Михаил Горшенёв 3 (Эпох: 6400 )
Voice_2:
1- Dora (Эпох:4000)
2- Dora 2 (Эпох:12000)
3- Face (Эпох: 6000)
Voice_3:
1- Morgenshtern (Эпох: 15000)
2- Morgenshtern 2 (Эпох: 36000)
3- Morgenshtern 3 (Эпох: 1448)
Voice_4:
1- Егор Летов (Эпох: 2000)
2- Глад Валакас (Эпох: 56000)
3- Гитлер (Эпох: 30000)
Voice_5:
1- INSTASAMKA (Эпох: 9000)
2- Kizaru (Эпох: 27200)
3- OXXXYMIRON (Эпох: 24000)
Voice_6:
1- Slava Marlow (Эпох: 28000)
2- Бледный (Эпох: 7200)
3- Зеленский (Эпох: 11000)
Voice_7:
1- Меладзе (Эпох: 10000)
2- Мэйби Бэйби (Эпох: 32000)
3- Элджей (Эпох: 17000)
Voice_8:
1- Александр Белявский
2- Александр Клюквин
3- Александр Котов
4- Александр Рахленко
Voice_9:
1- Андрей Ярославцев
2- Борис Репетур
3- Владимир Зайцев
4- Всеволод Кузнецов
Voice_10:
1- Дмитрий Полонский
2- Дмитрий Пучков
3- Евгений Леонов
4- Иван Жарков
Voice_11:
1- Леонид Белозорович
2- Николай Быстров
3- Рогволд Суховерко
4- Сергей Бурунов
Voice_12:
1- Сергей Чонишвили
Ну там кроме этого еще полно всего.
>Открываете телеграм
Лучше вскрыться нахуй.
Кстати, если ты это сделал, то выложи на достойные ресурсы типа цивитая.
Как пожелаешь.
Не я и там овердохуягигов, которые скачиваются оттуда на максимальной скорости. Найти было очень трудно если что, но, видимо, это никому не упало.
Пердолился с rvc на трёх моделях - голоса вообще не похожи. Разве что у боба кое как.
Мб для датасета из 400 файлов 100 эпох слишком много и идёт переобучение?
Всё же голос звучит чётче, если морфить сразу по обоим стерео-каналам, а не выпендриваться с дроблением стерео на моно-треки с их последующим морфингом по отдельности.
В варианте выше делал морфинг по отдельным каналам. В прикреплённом здесь варианте просто морфинг по стерео-дорожке целиком.
ОЧИНЬ МНОГА МАДЕЛИЙ ДЛЯ RVC
https://huggingface.co/juuxn/RVCModels/tree/main
> ОЧИНЬ МНОГА МАДЕЛИЙ ДЛЯ RVC
Я думаю, японские дрочеры напрягаются. Страна-сексшоп, страна-фагготрия.
Вот пример морфа одного и того же отрезка с разными моделями и одинаковыми настройками (питч +12, crepe). Тут есть вариант на so-vits-svc-fork, две rvc v2 модели по тому же самому датасету на разное число эпох (20 vs 1000), и две модели на того же персонажа, которые я нашёл на >>428635 файлопомоке. У so-vits-svc-fork просто не может взять пару высоких нот на 1:25, а у любых rvc-моделей иногда проскакивают какие-то механические звуки, или что-то совсем непонятное на резких переключениях высоты происходит, например на 0:57.
Может я с обучением или преобразованием напортачил? Кроме питча и "pitch extraction algorithm" всё по умолчанию оставлял. Либо RVC более чувствителен к качеству дорожки, которую использум для морфинга, хотя на других примерах у меня всё аналогично выглядит.
А, и ещё, как поставить RVC на шиндовс - просто скачайте и распакуйте RVC-beta.7z, которую можно найти на странице последнего релиза по ссылке выше. Запуск через файл go-web.bat. Файлы с моделями кидать в директорию weights; по умолчанию не идёт каких-либо моделей в комплекте.
Я сначала пытался по умному через git и ручную установку зависимостей в venv поставить, но ниасилил - при запуске ругался на какие-то пакеты. А тут всё без каких-либо проблем завелось.
Я делаю всё через колабы, т.к. не имею достаточных мощностей, в силу чего не очень в нейронках понимаю. Но по личным наблюдениям SVC делает голос более похожим. но чаще встречаются всякие косяки типа срывов и хрипения, в то время как в RVC их почти нет.
Ну а ещё в случае с колабами RVC быстрее и проще запскается, для обучения хавает mp3 вместо wav, быстрее обучает и генерирует. SVC колаб же просто кастрированый, крутилок мало и они ничего в лучшую сторону не меняют.
P.S.
Но если датасет и запись идельного качества, то SVC почти не плодит артефактов и получается лучше, чем в RVC.
> Ты про пик2? Можешь запилить на гитхаб или куда нибудь этот вебгуй что собрал?
https://huggingface.co/spaces/NeuroSenko/audio-processing-utils
На спейс в HF вынес UI для извлечения аудио из видео и для конвертации аудио+картинки в видео. В режиме audio2video добавляет 3 секунды тишины в конце, пока не понял, почему так выходит - у меня ffmpeg локально и на HF по разному отрабатывает с одними и теми же командами. Вот с этой строкой надо колдовать - https://huggingface.co/spaces/NeuroSenko/audio-processing-utils/blob/main/app.py#L32
Ну и работает долго ппц, хотя это от очередей в HF зависит, насколько я понимаю. Можно форкнуть или поднять локально при необходимости - там в requirements.txt всё что надо прописано правда оно срать temp файлами в корень проекта будет.
Хз, у меня на той же версией RVC, что у тебя на пике, нет такой проблемы. Питон глобальный у меня так же 3.10.
Ну попробуй архив по новой стянуть, лол. Хотя, судя по дате поста, ты уже должен был всё перепробовать.
Ну я просто хуй забил.
На то, что-бы убедиться что очередная спизженная модель плохо работает и одной попытки хватит.
В input выбираешь файл и желательно Acapella версию песни
https://youtu.be/_JXbvSTGPoo
Первый раз такой фронтенд вижу. Надо будет глянуть, спасибо за наводку.
Накидал на коленке фронтенд для TTS части проекта https://github.com/snakers4/silero-models
Поддерживается несколько русскоязычных спикеров. Должны поддерживаться и прочие спикеры, но что-то у меня на спейсе ошибки льются и мне лень прямо сейчас это раскуривать.
Поддерживается синтаксис SSML-разметки, подробнее курить в доках - https://github.com/snakers4/silero-models/wiki/SSML
Всё это, как водится, можно форкнуть или запустить локально.
Тут у Спанч Боба практически нет акцента >>420451
А никак, если хочешь, чтобы не было ебанутого английского акцента на русском тексте, то нужна русская базовая моделька. А таких не имеется.
Там крутилка есть на силу акцента. По умолчанию она на 0.7 стоит, можно больше делать, но будет больше артефатич
Это в локальной версии? Я на колабе такого, вроде, не видел.
Другойанон
В локальном китайском webui
Правда толку от этой крутилки практически никакого
А, нифига себе. Ну, то что толку никакого я заметил. Ради теста делал одну и ту же запись на 0.5, 0.7, 0.9. Разницы не услышал.
Алсо, скинь, пожалуйста, скрин интерфейса локальной версии. Сравнить хочу с колабом.
А то у колаба SVC, например, почти все куртилки порезаны. Да и в целом колаб SVC кривой. Помню он мне одку песню почему-то при обработке отказывался на фрагменты разбивать, жрал все две минуты за раз, а потом выдавал ошибку, шо видеопамять закончилась.
Понятно, спасибо. Вроде отличия есть. но не такие сильные, как в случае с SVC.
https://www.youtube.com/shorts/dnQotnbHax4
Это VC, оно меняет голос. Для чтения текста TTS.
В прицнипе, ты можешь засунуть в VC то, что было озвучено рандомным TTS, но, как и у всех TTS, будут проблемы с ударениями, интонацией и прочим.
Короче, VC>TTS
Анончики, кто может помогите, пожалуйста.
Как вот эту вот ебалду завести на петухоне?
К примеру, я с консоли буду текст вводить, а оно мне речь на выходе лепить
git clone https://huggingface.co/spaces/Aki004/herta-so-vits/
cd ./herta-so-vits/
pip install -r requirements_win.txt
python ./demo.py
demo.py можно подправить, чтобы он принимал параметр TEXT в качестве аргумента
raise ValueError(f'mutable default {type(f.default)} for field '
ValueError: mutable default <class 'fairseq.dataclass.configs.CommonConfig'> for field common is not allowed: use default_factory
Срёт ошибкой при запуске :((
>>435424
https://pastebin.com/8UnDkM6z можешь этот файл скачать и запускать вместо demo.py. Вводишь текст в консольку и он его читает (и сохраняет в out_audio.wav), выходить через ctrl+c (или просто закрыть окно)
Перед использованием нужно установить пакет sounddevice
pip install sounddevice
Если будет ругаться на CUDA, то замени в строке #31 device = 'cuda' на device = 'cpu'
Спасибо, анончик!
Но после того, как накатил python 3.10.8, озвучка персонажа слетела и сейчас вообще не то, уже чистил и перекачивал репозиторий - сейм проблема
После накатки 3.10.8 pip install -r requirements_win.txt делал?
Так же убедись, что у тебя 3.10.8 прописался в path, а то может там остался 3.11
>pip install -r requirements_win.txt делал?
Делал
>в path 3.10.8
Видимо, запись в файл не понравилась скрипту в твоём варианте.
Переписал https://pastebin.com/t818hTAe, теперь все супер работает.
Спасибо за помощь!
Вот для дебилов версия: https://youtu.be/pdlhk4vVHQk
Если что-то по пути будет не понятно, спрашиваешь у чата гпт (я на poe.com спрашивал).
Не знаю, нужно ли это вообще было, но так как у меня стоит python 3.10, а для проги нужен 3.9, то я его установил и активировал через virtualenv (узнал об этом тоже у гпт по запросу "Как установить локальный python определённой версии для одной программы?"). Главное, что работает
> Накидал на коленке фронтенд для TTS части проекта
Круть. Это сейчас тестируется в альфе Soundworks, там редактор для SSML есть и встроенные конвертеры, грех не использовать. Так что фронтенд для винды, считай, тоже есть.
Мне нравится качество, которого ребята добились - не хуже Яндекса. Реальные молодцы.
Обновление SoundWorks с поддержкой Silero перешло в бету релиз. Что имеем:
Поддержка английского и русского языка (т.е. испанский и что там ещё у них есть - ещё не реализованы). 118 голосов в английском, 5 в русском. Если уже стоит питон и торч, то ничего дополнительно ставить не придётся. Если питона или торча нет - SW должен поставить. Там есть ссылка "установить Силеро", если на неё нажать, он проверит наличие Питона и Торча. Если скажет, что "наверное уже стоит, поставить заново?", то лучше от греха подальше сказать "нет".
Первая генерация займёт секунд 5-8, потому что будет скачивать модель. Моделька маленькая, но так как прогресс не показывается, то придётся понадеяться. В дальнейшем генерация занимает какую секунду, если с видеокартой. Полагаю, что с процессором будет не сильно дольше. Видеопамяти при генерации ест совсем мало.
Как установить - в конце.
Сейчас же о голосах. В принципе, качество очень высокое, но есть косяки. В примере - несколько голосов Силеро и один Алисы. Я полагаю, очевидно, что Алиса справляется с пунктуацией и произношением лучше, но в принципе косяки русских голосов Силеро именно в этом - ударения, пунктуация, их придётся проставлять отдельно, или будут "гитарные струнЫ" и "разводы грязИ".
Авторы заявляют поддержку SSML, но по факту её нет. Русская модель понимает теги SSML, но реального эффекта они не дают. Английская модель даже не понимает тегов.
В английском языке есть 118 голосов. В большинстве своём - так себе, интересно другое - как и в русском языке, это голоса не профессиональных дикторов, и они явно со всех стран мира. Я угадывал и шотландцев и австралийцев, и британцев с американцами. Так что придётся прослушать всех и выбрать нужный. К счастью, все примеры уже готовы и выложены в mp3.
https://dmkilab.com/files/SileroVoicesEN.zip
https://dmkilab.com/files/SileroVoicesRU.zip
Теперь как всё это устанавливать.
1. Скачиваем https://dmkilab.com/files/SoundWorksSetup.exe
(страница https://dmkilab.com/soundworks ведёт на ту же ссылку)
2. Устанавливаем. Оно докачает примерно 90Мб
3. Запускаем. Будет окошко на английском, выбираем Options - там ищем выбор русского языка и самое главное - вкладку Silero. Если на машине уже стоит питон и торч, то надо будет только разрешить использовать Силеро.
4. Запускаем снова, на сей раз выбираем Главное Окно - сначала появится окошко с лицензией, жмём I'm lazy - это введёт код. Не помню, если этот код позволяет генерировать премиальными голосами, но что-то дать может. Но нам пофиг, надо просто чтобы больше не спрашивал. Версия в нижнем правом углу должна показать как минимум 1.15
5. Выбираем язык, нажав на соответствующий флаг. Дальше просто - выбираем голос - все голоса Силеро внизу списка. Если до этого в настройках выбрали "только бесплатные голоса" - то в списке будут только голоса Силеро.
6. Вводим текст и генерироваем.
Там есть пара функций для генерации - доступны через меню "Проект". После нажатия зелёной кнопки, оно попытается сгенерировать файл. Первый раз займёт секунд 10, потом секунду - это очень быстрые модели.
Совет - в главном окне выберите конвертацию в MP3 и автоматические имена. В противном случае результаты Silero будут в WAV.
Первый пикрелейтед - голос Силеро.
Второй - Яндекс Алиса Алёна. Просто для сравнения.
Третий - Силеро (один из 118)
Четвёртый - то же
Резюме - местами очень хорошо, и это можно применить в "продакшене" (NB: лицензия модели запрещает коммерческое использование без выплаты лицензионных отчислений), но платным моделям всё ещё проигрывает.
> Русская модель понимает теги SSML, но реального эффекта они не дают.
А вот тут >>433021 - дают. Что наводит на мысли. Либо недостаточно прямая реализация, либо модели разные. Ну будем смотреть, может заработает. Больше смущают помехи при генерации английских голосов - как будто через аналоговую телефонную линию с очень загруженной станцией. Но учитывая цену - очень неплохо.
Может быть, но лучше часов 50 студийной записи.
> насколько это сложно?
Весьма. Чисто для теории: вот статья на богомерзком хабре:
https://habr.com/ru/companies/sberdevices/articles/718096/
и вот тот продукт, о котором он говорит:
https://developers.sber.ru/portal/products/smartspeech-yourvoice
https://developers.sber.ru/portal/products/smartspeech
То же самое есть у Яндекса - можно записать голос для СпичКита, но там, кажется, речь шла о сотнях часов. Может, уже исправились.
TTS Silero записывали свои голоса за 2 часа, но и качество соответствующее. Они механизмом создания модели не делились.
Очень упарываюсь по японским ASMR.
Но проблема в том, что оч плохо с японским, кроме базовых и распространенных фраз не особо вдупляю в чём речь.
Так вот, какое-то время я использовал программу на базе Whisper AI, называется Whisper Dekstop. Он помогал мне либо переводить, либо делать транскрип японской речи в текст. Но зачастую всё упиралось в то, что начало распознается более менее нормально, а вот дальше идет какой то пиздец с лупами и бессвязным текстом.
Можете подсказать какие нибудь более стабильные проги, для транскрипта японской речи прямо с аудио и чтоб выдавало в виде сабов с временными пометками.
>50 студийной записи.
Столько нету, хочу голосами одной известной анимешной студии дубляжа озвучивать, у них поменьше набирается. Просто мне заебали кидать нейросетевые каверы, стало интересно, чем их делают. so vitc svc или что-нибудь другое
Если изменить существующий голос на другой - да, vits, и это намного проще. Я говорил о TTS модели. Vits это скорее STS.
Whisper не очень для японского, уж не знаю, почему. В >>448810 тоже есть для него UI. Но японский распознаёт криво, особенно в песенках. Я думаю, что шанс есть у аналогичной STT от Алибабы. Они же китайцы, должны были сделать как надо.
йеп. вот залил на кэтбокс. если нужно короче, скажи, найду меньше.
https://files.catbox.moe/if4uap.mp3
Вот, к слову, Whisper. У тебя так же?
я не знаю.
он был здесь.
интересно, это время после работы?
что ж, я тоже так думаю.
но сама работа продвигалась намного раньше, и я ходила по магазинам, так что сейчас самое время.
но именно так я встретил тебя.
ты вернулся в нужное время. это был правильный ответ.
наши сестры могут думать что-то подобное каждый раз, когда сталкиваются с вами.
персонажи разные, но у всех у них есть что-то похожее.
итак, ты всегда гуляешь после работы, верно?
вот как это произошло, и я немного поладлю с тобой.
интересно, не опоздаю ли я немного, когда вернусь домой?
я взял его, но не вернусь, пока не стемнеет.
что ж, даже если возвращаться немного поздновато, мои сестры
, я думаю, я думаю, что встретил вас.
Удобно сказать, что в такое время наш дом находится рядом - нет никаких проблем, даже если это в какой-то степени медленно
, я должен поблагодарить своих родителей за то, что они стоят рядом с морем.
я не знаю.
давайте еще немного пройдемся по волнам. шум волн.
мне нравится слышать более отчетливо.
Если ты подойдешь еще ближе, твои ноги промокнут
Давайте медленно прогуляемся отсюда по пляжу
, несмотря на это, мне кажется необычным видеть вас вечером.
обычно это происходит после выходного дня, после того, как стемнеет.
море в это время тоже хорошее, не так ли?
закат немного ослепительный, но я чувствую, что это яркий вид.
но что мне нравится больше всего
Море ночью, эта тихая и спокойная атмосфера
, мне это очень нравится.
ты иногда бродишь где-то посреди ночи, не так ли?
может быть, это просто по дороге домой с работы, но, возможно, есть причина, по которой воздух этой ночи такой приятный.
для меня это то же самое, что и выходной.
мне нравится гулять на солнышке, но мои сестры и мои сестренки
, интересно, нравится ли ему гулять ночью
, мои родители не хотят, чтобы мои сестры уходили поздно, но... ну, я не хочу, чтобы мои сестры уходили поздно.
нагиса украдкой бросает на нее взгляд и ускользает.
это как будто я просто прогуливаюсь по пляжу, так что ни я, ни моя сестра ничего не скажем.
с другой стороны, кахо и Марин
, когда вы захотите прогуляться посреди ночи, позвоните мне или своей сестре.
интересно, не спросит ли он тебя слишком рано?
если мы встретимся здесь вечером примерно на час
, я хочу, чтобы ты остался со мной до ночи.
да, в любом случае, морской пехотинец.
кахо не из тех детей, которые так откровенно говорят, могу я спросить ее?
даже когда я ее спрашиваю.
я не решаюсь сказать это.
когда она была моложе, она была такой же честной, как Марин.
мне интересно, почему все сестры такие разные, несмотря на то, что они выросли в одной и той же среде
, моя сестра и Марин немного похожи, но если вы говорите, что они разные, значит, они разные.
ну, самое большое отличие - это нагиса.
она, кажется, осознает себя, и, возможно, ее подобрал под мостом только один из 5 человек.
все совсем не так.
интересно, почему все так по-другому?
я думаю, что между моей сестрой и мной большая разница, и, с вашей точки зрения, это правда.
когда ты впервые встретила меня, ты даже не знала, что ты моя сестра.
я думаю, что черты лица в какой-то степени похожи, но я думаю, что впечатление, о котором я говорил, в конце концов, другое
, если вы заметили, вы будете все время говорить о своих сестрах.
ты и двое из меня - единственные, кто здесь есть.
давай просто двигаться дальше.
смотри, вон там есть насыпь.
когда я отправляюсь на прогулку, я обычно заезжаю туда по дороге.
я слышала от своей сестры, что есть место, которое мне нравится, и, возможно, она даже показала мне его.
Каменистое местечко, как раз подходящее для того, чтобы ты мог присесть
, мне это место тоже нравится.
я хотел, чтобы другие места были особенными для меня.
это набережная.
это тоже действительно классное место.
пойдем.
кек. мне выдает такую срань если переводит с проги. а ты как делаешь? через консоль?
[00:00:01.000 --> 00:00:03.000] ( Шум волн становится громче)
[00:00:03.000 --> 00:00:05.000] ( Шум волн становится громче)
[00:00:05.000 --> 00:00:07.000] ( Шум волн становится громче)
[00:00:07.000 --> 00:00:09.000] ( Шум волн становится громче)
[00:00:09.000 --> 00:00:11.000] ( Шум волн становится громче)
[00:00:11.000 --> 00:00:13.000] ( Шум волн становится громче)
[00:00:13.000 --> 00:00:15.000] ( Шум волн становится громче)
[00:00:15.000 --> 00:00:16.000] ( Шум волн становится громче)
[00:00:16.000 --> 00:00:18.000] Ты здесь.
[00:00:18.000 --> 00:00:20.000] ( Шум волн становится громче)
[00:00:20.000 --> 00:00:22.000] Я думаю, это время означает.....
[00:00:22.000 --> 00:00:24.000] Я думаю, это время означает.....
[00:00:24.000 --> 00:00:25.000] ( Шум волн становится громче)
[00:00:25.000 --> 00:00:29.000] Что ж, думаю, я тоже здесь.
[00:00:29.000 --> 00:00:30.000] ( Шум волн становится громче)
[00:00:30.000 --> 00:00:37.000] Но мне пришлось пройтись по магазинам, чтобы добраться сюда.
[00:00:37.000 --> 00:00:42.000] Но я встретил тебя здесь.
[00:00:42.000 --> 00:00:46.000] Я вернулся в нужное время.
[00:00:46.000 --> 00:00:47.000] ( Шум волн становится громче)
[00:00:47.000 --> 00:00:49.000] ( Шум волн становится громче)
[00:00:49.000 --> 00:00:57.000] Моя сестра, возможно, думает об одном и том же каждый раз, когда встречает тебя.
[00:00:57.000 --> 00:01:07.000] У нас разные характеры, но у нас есть кое-что общее.
[00:01:07.000 --> 00:01:13.000] Итак, ты собираешься прогуляться по дороге домой с работы, верно?
[00:01:13.000 --> 00:01:22.000] Раз уж мы встретились здесь, я пойду с тобой.
[00:01:22.000 --> 00:01:47.000] ( Шум волн становится громче)
[00:01:47.000 --> 00:01:52.000] В такие моменты удобно быть поближе к дому.
[00:01:52.000 --> 00:01:56.000] Это не проблема, если вы немного опоздаете.
[00:01:56.000 --> 00:02:03.000] Я должен поблагодарить своих родителей за то, что они стояли на берегу моря.
[00:02:03.000 --> 00:02:07.000] Давайте еще немного прогуляемся по пляжу.
[00:02:07.000 --> 00:02:14.000] Мне больше нравится, когда шум волн звучит отчетливее.
[00:02:14.000 --> 00:02:26.000] ( Шум волн становится громче)
[00:02:26.000 --> 00:02:31.000] Если ты подойдешь еще ближе, твои ноги промокнут.
[00:02:31.000 --> 00:02:44.000] Давайте отсюда медленно прогуляемся вдоль береговой линии.
[00:02:44.000 --> 00:02:53.000] ( Шум волн становится громче)
[00:02:53.000 --> 00:03:00.000] Я чувствую, что редко вижу тебя по вечерам.
[00:03:00.000 --> 00:03:07.000] Обычно это происходит после полудня в выходной день и после наступления темноты ночью.
[00:03:07.000 --> 00:03:12.000] Море в это время чудесное, не правда ли?
[00:03:12.000 --> 00:03:19.000] На закате немного светло, но вид прекрасный.
[00:03:19.000 --> 00:03:25.000] Но больше всего мне нравится ночное море.
[00:03:25.000 --> 00:03:33.000] Мне действительно нравится эта тихая и спокойная атмосфера.
[00:03:33.000 --> 00:03:38.000] Ты иногда гуляешь по ночам, не так ли?
[00:03:38.000 --> 00:03:43.000] Это могло бы быть идеально для возвращения домой с работы, но...
[00:03:43.000 --> 00:03:52.000] Я думаю, есть причина, по которой ночной воздух такой приятный.
[00:03:52.000 --> 00:03:55.000] Я такой же.
[00:03:55.000 --> 00:04:01.000] Я люблю прогуляться в свой выходной или погреться на солнышке.
[00:04:01.000 --> 00:04:08.000] Я думаю, что моя сестра и сестренки любят гулять по ночам.
[00:04:08.000 --> 00:04:15.000] Но мои родители не хотят, чтобы мои сестры гуляли допоздна.
[00:04:15.000 --> 00:04:21.000] Нагиса крадется из своей комнаты.
[00:04:21.000 --> 00:04:24.000] Она не бродит где попало.
[00:04:24.000 --> 00:04:27.000] Это все равно что прогуливаться по пляжу.
[00:04:27.000 --> 00:04:31.000] Я ничего не говорю своей сестре.
[00:04:31.000 --> 00:04:37.000] Наоборот, когда Кахо и Марин хотят прогуляться ночью,
[00:04:37.000 --> 00:04:47.000] Я поговорю со своей сестрой.
[00:04:47.000 --> 00:04:52.000] Думаю, когда-нибудь я попрошу тебя пойти со мной.
[00:04:52.000 --> 00:05:01.000] Я хотел бы встретиться с вами здесь вечером и остаться с вами до наступления темноты.
[00:05:01.000 --> 00:05:09.000] О, Марин не из тех девушек, которые могут так говорить.
[00:05:09.000 --> 00:05:17.000] Когда она просит меня пойти с ней, она не решается сказать это.
[00:05:17.000 --> 00:05:26.000] Когда она была моложе, она была честна, как морской пехотинец.
[00:05:26.000 --> 00:05:35.000] Я не знаю, почему у всех сестер разные характеры, хотя они выросли в одной среде.
[00:05:35.000 --> 00:05:44.000] Моя сестра и Марин в чем-то похожи, но в чем-то отличаются друг от друга.
[00:05:44.000 --> 00:05:50.000] Ну, а Нагиса совсем другой.
[00:05:50.000 --> 00:05:54.000] Похоже, она и сама это осознает.
[00:05:54.000 --> 00:06:00.000] Она сказала, что одну из пяти сестер, возможно, подобрали под мостом.
[00:06:00.000 --> 00:06:08.000] Это неправда.
[00:06:08.000 --> 00:06:14.000] Интересно, почему мы такие разные?
[00:06:14.000 --> 00:06:19.000] Я думаю, что между моей сестрой и мной есть большая разница.
[00:06:19.000 --> 00:06:24.000] Ты тоже так думаешь, верно?
[00:06:24.000 --> 00:06:31.000] Когда ты впервые встретил меня, ты не знал, что я твоя сестра.
[00:06:31.000 --> 00:06:41.000] Я думаю, мы немного похожи внешне, но я думаю, что у нас разные впечатления.
[00:06:41.000 --> 00:06:49.000] И тут я поняла, что говорю о своей сестре.
[00:06:49.000 --> 00:06:57.000] Ты и я - единственные, кто здесь есть.
[00:06:57.000 --> 00:07:03.000] Давайте двигаться дальше.
[00:07:03.000 --> 00:07:07.000] Смотри, вон там есть беседка.
[00:07:07.000 --> 00:07:14.000] Обычно я заезжаю туда по пути на прогулку.
[00:07:14.000 --> 00:07:19.000] Вы когда-нибудь слышали, что у вашей сестры есть любимое место?
[00:07:19.000 --> 00:07:23.000] Может быть, ее направили туда.
[00:07:23.000 --> 00:07:27.000] Это идеальное место, чтобы посидеть.
[00:07:27.000 --> 00:07:31.000] Мне тоже нравится это место.
[00:07:31.000 --> 00:07:37.000] Я хотел, чтобы у меня было особое место для себя.
[00:07:37.000 --> 00:07:41.000] Это беседка.
[00:07:41.000 --> 00:07:46.000] К тому же это очень тихое место.
[00:07:46.000 --> 00:07:51.000] Пойдем.
[00:07:53.000 --> 00:07:58.000] Я иду в беседку.
> а ты как делаешь? через консоль?
Soundworks. Там встроенный UI для Whisper. Потом загнал в Яндекс переводчик. По-моему у него есть и перевод файлов субтитров, но в данном случае я выводил в текстовый файл.
> выдает такую срань
В общем мне это кажется более связным, чем мой перевод через Яндекс. А что, смысл совсем неверный?
В этом и проблема, но может просто кто то обратной ниженеркой открыл все тайны этого, может модели перерыл или ещё что то
Нужен хотя бы нормальный английский ттс
> Аноны пользовался кто https://github.com/coqui-ai/TTS ?
У них даже сэмплов нет.
> Нужен хотя бы нормальный английский ттс
Смотря что для тебя "нормальный". Есть Силеро (см. выше), у остальных бесплатных уровень примерно тот же, как я могу судить.
Для меня "нормальный" - это пикрелейтед. Такого на бесплатном сейчас не получить, и пока не предвидится.
>У них даже сэмплов нет.
https://soundcloud.com/user-565970875/tracks
у тебя нормальный это для меня очень плохо
Ну тогда для тебя TTS ещё не завезли. Coqui звучит намного хуже, а лучше чем пикрелейтед пока не сделали.
Обесните
SO-VITS. Смотри инструкцию в этом и предыдущем тредах. В таком случае ты будешь переозвучивать материал, созданный другой моделью. Для создания своих моделей с нуля пока инструментов не завезли.
Если хочешь сделать это за деньги, то есть предложения от Яндекса и Сбера, но легче подождать, пока тренировка модели станет доступной.
хотя разобрался, правда без использования апи. Могу потом выложить инструкцию и код если кому нужно.
Делаю свой вариант типа ассистента Алисы, только с лламой и милым голосом.
>если кому нужно
Вкидывай всё что есть, в любом случае не помешает.
как пофиксить
> Делаю свой вариант типа ассистента Алисы, только с лламой и милым голосом.
Я уже сделал такое, только с GPT-4. Причём полиглот, будет говорить с тобой на том языке, на котором ты с ним.
Только с Алисой это сравнивать не надо, Алиса не просто на вопросы отвечает, она и ищет инфу и будильник настроить может, и ещё всякое, чего твоя программа не смогёт.
https://github.com/voicepaw/so-vits-svc-fork#manual-installation
> AMD GPUs are not supported on Windows.
Ты знаешь ответ.
Тогда хз, кинь логи ошибки что-ли, мб подскажет кто. У меня NVidia+шиндовс, так что не помогу.
>она и ищет инфу и будильник настроить может, и ещё всякое, чего твоя программа не смогёт
Как настроишь, так и будет. Никаких принципиальных ограничений тут нет, кроме жадности гугла, лул.
> Как настроишь, так и будет.
Дело не в настройках. Даже если ты сможешь определить, что пользователь хочет настроить условный будильник, тебе надо будет писать модуль для управления будильником. Яндекс может на это потратить пару сотен человеко-часов, а ты? Единственный путь - это сделать возможность подключения собственных модулей, и пусть сами пишут свои будильники. Собственно, так Яндекс и сделал в Алисе.
Пользователь тут конкретный, и я думаю он знает, что ему нужно. Поэтому модулей выйдет не так уж и много.
Самое главное забыл
Для лисы делал через so-vits-svc-fork; что у анона выше - не знаю. На RVC у меня лучше произношение (реже звуки проглатывает), а на SVC голос больше похож на голос персонажа.
У RVC лучше интерфейс и там в комплекте сразу идут утилиты для разделения аудио на инстументалку и вокал.
---
Инструкция по установке и использованию SVC:
https://rentry.org/tts_so_vits_svc_fork_for_beginners
Готовые модели для SVC искать тут: https://huggingface.co/models?search=so-vits-svc | https://civitai.com/models?query=so-vits-svc&view=feed
---
Чтобы поставить RVC, проще всего скачать пакет со всеми зависимостями (наверху страницы ссылка на скачивание RVC-beta.7z):
https://github.com/RVC-Project/Retrieval-based-Voice-Conversion-WebUI/releases/tag/updated0618v2
Запуск через файл go-web.bat. Файлы с моделями кидать в директорию weights; по умолчанию не идёт каких-либо моделей в комплекте. Для RVC тут можно найти много готовых моделей разной степени паршивости >>428635
Если будешь нарезать с тайтла, то самым запарным будет собрать датасет. Необходимо убрать с аудиодорожки все сторонние звуки и нарезать с неё голос твоей вайфу так, чтобы длина одного файла была не более 10 секунд (можно и больше, но таковы рекомендации по датасетам от разработчиков SVC и RVC). Суммарная длительность голоса по рекомендациям должна быть не менее десяти минут. Нарезать голос автоматически не выйдет, поскольку утилиты для автоматической нарезки голоса ( >>354671 ) всех спикеров в кучу скинут; и, если один спикер прерывает другого или между их репликами короткая пауза, то два разных голоса попадут в один отрывок.
Я свой подход вот тут описывал, впрочем, может есть и более оптимальные способы это делать:
>>353073
>>353861
Возможно, что нарезать через стороннюю тулзу будет быстрее, но там вроде как всякие визги и междометия обрезаются, если верно помню.
---
https://github.com/voicepaw/so-vits-svc-fork#before-training
Обучение модели запускается в SVC парой консольных команд. Там только batch_size в config.json надо будет в максимум выкрутить, что у тебя видеокарта позволит.
---
В RVC обучение через GUI делается, там несложно разобраться. В треде уже кидали несколько роликов с пояснениями.
---
> амд 4гб
В SVC рекомендуется 10GB VRAM для обучения, хотя само обучение работает и на видеокартах меньшего объёма. Если не выйдет обучить локально или через коллаб, можешь готовый датасет итт закинуть, могу тогда обучить SVC/RVC варианты моделей.
Ничего не надо менять. Достаточно будет добавить ссылки на упомянутые инструменты.
>so-vits-svc-4.0-ruvtubers
Удалили. Мрази как всегда чистят годноту.
Может кто перезалить?
Просто на доске кто-то поднял мёртвый STS-тред и теперь будет путаница из-за этого >>187167 (OP)
Формально, обсуждения STS надо вести там, но, по факту, они происходят здесь. Поэтому надо поменять тему/тег таким образом, чтобы со стороны было ясно, что тут оба направления релейтед, ящитаю.
Ты ещё забыл про этот тред, лол >>102542 (OP)
Тут мочуху надо, чтобы порядок навести, позакрывать лишнее и поднять нужное.
Ну да, я про то и говорю - как мне кажется, надо все TTS/STS треды позакрывать и сделать один общий, поскольку тема на этой доске малопопулярная и смысла дробить по тредам это не имеет при текущей скорости постинга. Но для этого надо сначала перекат сделать, который будет по смыслу объединять обе темы.
Сейчас со стороны даже непонятно, что тут STS обсуждают, раз мёртвые треды поднимать начали.
> Формально, обсуждения STS надо вести там
Там тега нет. Кроме того, у нас это вполне по теме - STS это обычно второй шаг после TTS, из-за отсутствия моделей, и по сути это надстройки над одним и тем же - одни и те же движки часто используются в обеих целях (Silero, например). Кто в теме - пойдёт сюда в любом случае.
>>456792
Вот.
>>456795
> Сейчас со стороны даже непонятно, что тут STS обсуждают, раз мёртвые треды поднимать начали.
Это всегда будет происходить. Оно поднимается теми, кто понятия не имеет, что такое TTS, STS, STT и так далее. Ты пока зришь далеко, по факту проблемы пока нет.
Я просто хочу, чтобы залётным было понятно, что в этом треде обсуждается всё подряд, что связано с синтезом/преобразованием/распознаванием голоса, и они не бегали создавать и бампать мёртвые узкоспециализированные треды, размазывая активность и так малопопулярного направления на этой доске. Поэтому, как я думаю, было бы логично обновить тег/имя/шапку треда.
Не очень понимаю, в чём твой поинт за сохранение текущего тега, если он не соответствует тому, что по факту обсуждается в треде.
> если он не соответствует тому, что по факту обсуждается в треде
Ты жопой тред читаешь. Хватит флудить, придерживайся темы.
> Text To Speech /tts/
> Обсуждаем оффлайновые генераторы речи и делимся результатами [...]
Но по факту в треде плюсом обсуждается STS и STT. Почему-бы не вынести это в шапку?
> Хватит флудить, придерживайся темы.
Но я же шапку треда обсуждаю, где это ещё делать, как не здесь...
Да как у тебя получается такой чистый голос?
Скачал готовую модель 29к эпох и она поет хуже, еще и слова зажевываются
https://github.com/atomlayer/llama_cute_voice_assistent
Примерно так накидал пока.
Единственное есть проблема со скоростью распознавания речи пользователя в текст. Надо будет что-то более быстрое прикрутить потом.
> Скачал готовую модель 29к эпох и она поет хуже, еще и слова зажевываются
Я вижу такие варианты:
1. Некачественная модель.
Тут только датасет самому делать и в порядок его приводить. Одна из моделей на эту лису, которая на хг лежит, абсолютно отвратительна, не понимаю, почему автор не постеснялся её выложить. Просто сравни тут 1 и 4 варианты (это не совсем корректное сравнение, поскольку сравнивается SVC и RVC модель, но тут разница прям явная) >>430626
2. Либо аудиодорожка плохо разбилась на составляющие (инструменталка/вокал).
В этом случае абсолютно любой спикер будет зажёвывать слова. Попробуй для теста обработать какую-нибудь песню, которая была удачно преобразована в треде и сравни результат. Песня из поста, на который ты ссылаешься, была преобразована без какой-либо доп. обработки, можешь её попробовать. Я тебе свой вариант разбивки сразу скину, чтобы ты мог проверить, проблема с твоим инструментом для разбивки или это что-то другое:
https://vocaroo.com/13p09WQEfUPd (оригинал)
https://vocaroo.com/1mS1sqO2iheO (инструменталка)
https://vocaroo.com/1lcMSdDhOQU1 (вокал)
3. Или настройки синтеза плохие выставил.
По умолчанию в интерфейсах выбраны настройки с заделом на скорость обработки, а не на качество. У меня Prediction method = crepe работает лучше всего и для RVC и для SVC. Если используешь SVC, то обязательно выруби галку с "Auto predict F0", иначе тональность голоса будет вверх-вниз прыгать там, где это не нужно.
У меня пока только так, но это не через rvc который сверху написали (ибо я не понял чо это, а может и rvc).
А ты мне дашь совет? Я хочу научиться делать хороший голос некоарк, но я впервые работаю с голосовыми нейронками.
У SVC, если модель и запись не идеальны, начинаются косяки и артефакты. У RVC, в принципе, тоже, но там они не такие страшные.
Если на записи прям какие-то шипы и прочий говняк, можно попробовать потрогать эквалайзером, частоты вырезать, на которых больше всего говняка лежит.
В принципе, с той записью, что я скинул, я ничего так-то и не делал, просто закинул в RVC и всё. Модельку использовал neco-arc(aggressive).
Проверка левого уха
>1
Уже сделано аноном https://www.youtube.com/watch?v=OwBKWaWnX9s
Вообще годный канал, делает в т.ч Тархуна
Накидал вариант шаблона шапки под голосовые сетки. Может с разметкой проебался, никуда не постил шаблон целиком для теста. Предлагаю дополнить его (смотри ниже), катнуть с ним и попросить мода закрыть эти два мёртвых треда >>187167 (OP) >>102542 (OP)
Что скажете?
1. Вот эти ссылки предлагаю выпилить из текущей шапки, либо кто-то подтвердите, что это я долбоёб и у вас всё работает.
> Гугл-Калаб: https://colab.research.google.com/drive/1J2Vm5dczTF99ckyNLXV0K-hQTxLwEaj5?usp=sharing
Валится с ошибкой при выполнении !pip install -r requirements.txt
> Гайд: https://textbin.net/kfylbjdmz9
Тоже вылезает ошибка при установке зависимостей. Оно походу pyopenjtalk из сорцов собирает и поэтому билд-тулзы надо ставить, вот что на SO пишут - https://stackoverflow.com/questions/75191940/i-cannot-install-pyopenjtalk-getting-requirements-to-build-wheel-did-not-run-su
Мне было лень разбираться с этой ошибкой.
2. Вот с этими ссылками не уверен что делать:
> Есть VITS-Umamusume-voice-synthesizer, только на японском, 87 голосов.
> ХагингФейс: https://huggingface.co/spaces/Plachta/VITS-Umamusume-voice-synthesizer
Это хоть кто-то итт использует? Почти не видел примеров синтеза японского голоса в треде.
> MoeGoe и MoeTTS.
> Гайд на китайском: https://colab.research.google.com/drive/1HDV84t3N-yUEBXN8dDIDSv6CzEJykCLw#scrollTo=EuqAdkaS1BKl
> кажется итт можно тренировать свои голосовые модели, но это не точно
> Гугл-Калаб: https://www.bilibili.com/video/BV16G4y1B7Ey/?share_source=copy_web&vd_source=630b87174c967a898cae3765fba3bfa8
Вижу 0 упоминаний этой сетки в треде. Аналогично - это кто-то использует по факту?
Алсо то же самое про Elevenlabs, который я добавил в текущий вариант шаблона. Если какую-то из сеток никто не по факту не использует, то предлагаю не держать устаревший кал в шаблоне, либо просто вкратце упомянуть его в конце шапки.
3. Вроде для SVC/RVC были ещё какие-то помойки моделей, есть у кого-нибудь ссылки?
4. Может ещё что-то важное упустил?
5. И катнуть предлагаю не чем-то унылым, а контентом из треда по выбору ОПа, чтобы сраться за шапку привлекать залётных. Только тут с лимитами будет проблема, на пост 20-60Мб максимум вес вложений, в зависимости от наличия/качества пасскода.
--- Сам шаблон ---
Тег: speech
Тема: Голосовых нейронок тред (TTS, STS, STT) #номер
Обсуждаем нейросети, связанные с синтезом, преобразованием и распознаванием речи. Не забываем публиковать свои шедевры в треде.
📝 👉 🎤 Text To Speech (TTS)
Silero
Открытый проект TTS/STS, поддерживает русский язык: https://github.com/snakers4/silero-models
Официальный бот в телеге. Требуется подписка на новостной канал. На бесплатном тарифе есть лимиты на число запросов в сутки: https://t.me/silero_voice_bot
Нет возможности тренировки своих голосов, но возможно сделать генерацию с одним из имеющихся голосов, и потом преобразовать получившийся файл через STS (смотри ниже).
Elevenlabs
Онлайн-сервис для синтеза и преобразования английского голоса. На бесплатном тарифе ограничения по числу символов в месяц.
Сайт: https://elevenlabs.io/speech-synthesis
Гайд по использованию и общие советы: https://rentry.org/AIVoiceStuff
🎤 👉 🎤 Speech To Speech (STS)
Оба проекта SVC и RVC позволяют обучать модели на любой голос, в том числе свой, любимой матушки, обожаемого политика и других представителей социального дна. Для обучения своих моделей нужен датасет от 10 минут до 1 часа. Разработчики софта рекомендуют для обучения использовать видеокарту с объёмом памяти 10 GB VRAM, но возможно обучение и на видеокартах с меньшим объёмом памяти.
Преобразование голоса можно осуществлять как на видеокарте, так и на процессоре с меньшей скоростью.
SoftVC VITS Singing Voice Conversion Fork (SVC)
Репозиторий: https://github.com/voicepaw/so-vits-svc-fork
Гайд по установке и использованию: https://rentry.org/tts_so_vits_svc_fork_for_beginners
Готовые модели: https://huggingface.co/models?search=so-vits-svc | https://civitai.com/models?query=so-vits-svc
Для изменения голоса в песнях вам дополнительно необходимо установить софт для отделения вокала от инструменталки: https://github.com/Anjok07/ultimatevocalremovergui
Не поддерживает AMD GPU на Windows.
Retrieval-based-Voice-Conversion-WebUI (RVC)
Репозиторий: https://github.com/RVC-Project/Retrieval-based-Voice-Conversion-WebUI
Где взять последнюю верию со всеми зависимостями: https://github.com/RVC-Project/Retrieval-based-Voice-Conversion-WebUI/releases
Готовые модели: https://huggingface.co/juuxn/RVCModels/tree/main
Утилиты для отделения вокала от инструменталки идут в комплекте.
🎤 👉 📝 Speech To Text (STT)
Консольная тулза от OpenAI, поддерживает множество языков, включая русский: https://github.com/openai/whisper
🛠️ Прочее
Проприетарный проект "всё в одном" (TTS/STS/TTS). Для части функционала требуется платная подписка: https://dmkilab.com/soundworks
Утилита для нарезки длинных аудиотреков (пригодится для составления датасетов): https://github.com/flutydeer/audio-slicer
Ссылки на эти проекты мелькали в тредах, но не похоже на то, чтобы их активно использовали итт:
https://github.com/w-okada/voice-changer/blob/master/README_en.md
https://themetavoice.xyz/
https://github.com/coqui-ai/TTS
Ну и может я проебался с описанием чего-либо, не пробовал часть тулзов из шаблона.
Когда пробую свою модель, то выходной аудио файл сильно фонит, а голос еле слышно на фоне, как фиксить?
Что делать? Хуйня какая-то.
Судя по тексту ошибки, ты скачал версию для NVidia, а у тебя AMD/CPU. Можно либо попробовать xformers скачать через pip под нужную платформу без перекачивания всего архива, либо скачать сразу архив RVC для правильной платформы - это будет проще.
Если у тебя NVidia, то надо курить, почему куда не работает.
У меня Нвидиа.
Кстати, я правильно понимаю что это говно не создает свой venv и срет пакетами прямо в систему?
Не, там используется venv похоже. Пакеты в .\runtime\Lib\site-packages
Я не вижу там activate.bat в scripts, как мне активировать этот venv чтобы насрать туда нужные пакеты?
> Единственное есть проблема со скоростью распознавания речи пользователя в текст. Надо будет что-то более быстрое прикрутить потом.
Так, а сейчас что используется? В код не смотрел.
>>461354 (OP)
>>461354 (OP)
>>461354 (OP)
>Тоже вылезает ошибка при установке зависимостей. Оно походу pyopenjtalk
Ага, и в той же инструкции есть пункт про фикс этой хуйни. Согласен, написано хуёво, сам проебался, хоть и погромизд, но инструкция в итоге рабочая, проверено.
>>460913
>Почти не видел примеров синтеза японского голоса в треде.
Были весь первый тред. Сейчас видимо яп голоса проблема решённая, поэтому весь фокус на русском языке.
Так что я за многообразие, ссылок в шапке пока ещё весьма мало, расточительно что-то удалять. Вот когда будет как в лламма тредах, тогда можно будет запускать очистку.
https://youtu.be/yRHbDbHPJMo?feature=shared
нормальный?
Я слышал, что ему нужно 8ГБ VRAM, верно? У меня Steam Deck, вроде в описании написано что оперативная и видеопамять в нём как бы объединены (пикрил), хотя я впервые об этом слышу.
Кто-то голос Пыни запилил? Можете озвучить речь Президента из пасты про Кормление Личинок Непредставимого Пхы?