1 引言

与大型语言模型（LLM）相比，语音模型相对较小，只需要本地有 GPU 的机器就可以进行训练。我的机器是很久以前购买的 1080Ti，10G 的显存，就可以正常训练。它在中文声音模拟方面的效果也相当不错。我下载了一段十几分钟评书音频，用这个模型进行训练只需 5 分钟就能完成。我觉得它模拟的音色和抑扬顿挫的效果都相当不错，虽然不能完全模拟真人的声音，但已经是我目前使用过的最好效果了。

此外，作者评测显示用 1 分钟语音与 30 分钟的效果相似。该项目目前只发布了 TTS 工具，变声工具还在开发中。

2 安装

2.1 环境

建议在 docker 环境下的安装。这样既可以与其他工具共存，也不会破坏宿主机当前环境。我下载了与 install.sh 中指定的底层软件版本最相近的版本。基础镜像 7.2G，全部安装完 10.5G，另外下载的模型和源码也在 5G 以内。

1
2
$ docker pull pytorch/pytorch:2.1.1-cuda12.1-cudnn8-runtime
$ nvidia-docker run --network host --rm -v /exports:/opt/xieyan/ -it pytorch/pytorch:2.1.1-cuda12.1-cudnn8-runtime bash

docker image 占空间 7.2G

2.2 安装软件

安装软件时，如果设置代理。可能会快一些；另外，为避免重复安装，我修改了 install.sh 中的 cuda 版本，与 docker 版本一致。

1
2
3
$ git clone https://github.com/RVC-Boss/GPT-SoVITS
$ cd GPT-SoVITS
$ . install.sh

如需要中文语音识别，还需要安装以下软件：

1
$ pip install modelscope torchaudio sentencepiece funasr

2.3 下载模型

训练和使用 GPT-SoVITS 都需要下载基础模型。如需训练模型，还需要对待模仿的音频进行切分和识别等操作，至少需要安装语音识别模型 ASR。

2.3.1 下载预训练的 GPT-SoVITS 模型

在 huggingface 下载

1
2
3
$ cd GPT_SoVITS/pretrained_models
$ git clone https://huggingface.co/lj1995/GPT-SoVITS
$ mv GPT-SoVITS/* .

不计.git，模型约 1.1G 左右

2.3.2 下载 asr 模型

在魔塔平台下载

1
2
3
4
$ cd tools/damo_asr/models
$ git clone https://www.modelscope.cn/iic/speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8404-pytorch.git
$ git clone https://www.modelscope.cn/iic/speech_fsmn_vad_zh-cn-16k-common-pytorch.git
$ git clone https://www.modelscope.cn/iic/punc_ct-transformer_zh-cn-common-vocab272727-pytorch.git

不计.git 文件夹，约 1.4G 左右。

2.4 运行程序

如需要修改端口，请在 config.py 中设置

1
$ python webui.py

此时，在默认的 9874 端口即可看到 gradio 界面。

2.4.1 准备训练音频

切分音频

  • 在 0b-Audio slicer 界面设定待学习的 mp3 格式音频文件。
  • 点击 Start audio slicer，切分后的音频将以每 5 秒一个的 wav 保存在设置的输出目录中。

语音识别

  • 在 0c-Chinese ASR tool 界面中，将切分输出目录设置为识别数据目录。
  • 点击 Start batch ASR，将音频转换为文字，生成 list 文件。
  • 如果服务后台报错“funasr-pipeline is not in the pipelines…”，请参考问题与解决部分。

编辑语音识别结果

  • 在 0d-Speech to text proofreading tool 界面中，设置.list 文件的路径（通常是 output/asr_opt/slicer_opt.list，具体请在数据目录下查找）。
  • 打开 labelling WebUI，通过在 9871 端口启动界面，对识别结果进行编辑。
  • 请删除效果太差、无内容或太短的音频，并纠正错误的识别结果。
  • 在测试时，可以跳过此步骤。

2.4.2 训练模型

切换到第二个选项卡 GPT-SOVITS-TTS，并输入待创建的模型名称。

该界面分为三个部分：A 数据格式化，B 模型训练，C 语音合成。

1A-Dataset formatting

设置之前处理的 list 位置和音频数据目录，按照 A-B-C 的步骤执行，或者通过下方按钮一次性执行所有步骤。

1B-Fine-tuned training

分别点击两个按钮进行模型训练，SoVITS 训练大约需要 5GB 显存和 5 分钟左右，GPT 训练大约需要 5GB 显存和 3 分钟左右。

在训练过程中可能会出现共享内存错误，解决方法请参考问题及解决部分。

1C-inference

点击 refresh 按钮后，下拉列表中将出现新训练的模型。选择模型后，打开推理 WEB 界面，在 9872 端口打开界面（如果一次打不开，就多等会儿）。

在推理 Inference 界面中，需要设置一个音频文件及其对应的文本。可以使用之前切分的 wav 文件，并输入其对应的文本。我觉得这是用于 GPT 从上文生成下文的需求。

然后输入需要合成的文本，点击合成按钮即可。

如果出现与 pyopenjtalk 相关的错误，请参考问题及解决部分。

2.5 问题及解决

我从下载到修改再到训练合成，大概花了半天时间；安装过程中遇到了一些报错，工具链还有一定的改进空间。

2.5.1 问题一：pyopenjtalk 版本问题

理论上，运行 install.sh 脚本可以直接安装所需软件。可能是因为 requirements.txt 文件中没有指定软件的版本号，导致我在安装 pyopenjtalk 时遇到了错误。似乎是由于编译工具的问题引起的。解决方法如下：

1
2
$ apt-get update
$ apt-get install build-essential

这是一个日语合成库，我们一般用不上，实在不行，将 text/japanese.py 中包含 pyopenjtalk 的地方加 try 或注释掉也行。

2.5.2 问题二：markupsafe 版本问题

1
ImportError: cannot import name 'soft_unicode' from 'markupsafe'

降级了两个软件的版本后可正常运行。

1
2
$ pip install werkzeug==2.0.1
$ pip install markupsafe==1.1.1

2.5.3 问题三：modelscope 识别不了 funasr

我在使用语音识别 asr 功能时，报错“funasr-pipeline is not in the pipelines…"，解决方法是：源码安装 modelscope（用 pip 安装同一版本报错找不到 funasr），另外还需要 modelscope 与 funasr 版本相配，请在 modelscopt 搜索 funasr，以确定其版本。

1
2
3
4
5
$ git clone -b funasr1.0 --single-branch https://github.com/alibaba-damo-academy/FunASR.git
$ cd FunASR
$ pip install -e ./
$ git clone https://github.com/modelscope/modelscope.git
$ pip install -e ./

修改后，出现另一报错“TypeError: AutoModel.generate() missing 1 required positional argument: 'input'”，我觉得可能还是版本问题，于是修改了源码：

1
2
3
4
vi tools/damo_asr/cmd-asr.py
修改：
26         text = inference_pipeline(input="%s/%s"%(dir,name))[0]["text"]
27         #text = inference_pipeline(audio_in="%s/%s"%(dir,name))["text"] # xieyan test

2.5.4 问题四：共享内存报错

报错信息如下：

RuntimeError: DataLoader worker (pid 14958) is killed by signal: Bus error. It is possible that dataloader's workers are out of shared memory. Please try to raise your shared memory limit.

解决方法是修改 GPT_SoVITS/s2_train.py

112 行左右，将 DataLoader 的 num_workers 从 6 改成 1

1
2
3
4
110     train_loader = DataLoader(
111         train_dataset,
112         #num_workers=6,
113         num_workers=1,

3 代码解析

代码以 Python 为主，约 1.3W 行，其中：

  • GPT_SoVITS/：核心工具 9000 行
  • GPT_SoVITS/AR：自回归 VIT 2500 行
  • GPT_SoVITS/module/：主模型 3400 行，VITS 核心代码
  • tools/：辅助工具 3200 行

4 原理

GPT_SoVITS 名字由三部分组成的模型：这里的 GPT 并非指代常见的大型语言模型 GPT，而是其字面意思——Generative Pre-training Transformer。它通常指利用上文生成下文的生成模型。这也可以从上述操作中看出，推理过程中使用“音频”作为引子来合成新的音频。

SoVITS 是 2023 年非常流行的一款歌声音色转换器，它主要基于 SoftVC 和 VITS 两个音频模型构建，名字即二者的组合。接下来的文章将介绍这两个模型相关的论文（链接见参考部分）。

5 使用技巧

  • 语气是习得的，所以如果用朗诵数据训练，读啥都很奇怪；如果用旁白或者有声书数据训练，则自然很多。
  • 这个项目实现了定制的语音合成，并在训练过程中采用了如语音识别、人声与背景声的分离，以及精调模型，声音转换等技术的具体应用，可以说是一份极好的语音模型入门教材。

6 参考