AI数字人打造之基于VITS模型的中文语音生成训练

1 VITS模型介绍

        VITS（Variational Inference with adversarial learning for end-to-end Text-to-Speech）是一种结合变分推理（variational inference）、标准化流（normalizing flows）和对抗训练的高表现力语音合成模型。

        VITS模型是韩国科学院在2021年6月提出的，VITS通过隐变量而非频谱串联起来语音合成中的声学模型和声码器，在隐变量上进行随机建模并利用随机时长预测器，提高了合成语音的多样性，输入同样的文本，能够合成不同声调和韵律的语音。

        论文地址：VITS论文

2 VITS模型结构

VITS主要包括3块：

• 条件变分自编码器（Variational AutoEncoder，VAE）
• 从变分推断中产生的对齐估计
• 生成对抗训练

VITS 语音合成完全端到端TTS的里程碑，主要突破点如下：

（1）首个自然度超过2-stage架构SOTA的完全E2E模型。MOS4.43, 仅低于GT录音0.03。声称目前公开系统最好效果。

（2）得益于图像领域中把Flow引入VAE提升生成效果的研究，成功把Flow-VAE应用到了完全E2E的TTS任务中。

（3）训练非常简便，完全E2E。不需要像Fastspeech系列模型需要额外提pitch, energy等特征，也不像多数2-stage架构需要根据声学模型的输出来finetune声码器以达到最佳效果。

（4）摆脱了预设的声学谱作为链接声学模型和声码器的特征，成功的应用来VAE去E2E的学习隐性表示来链接两个模块

（5）多说话人模型自然度不下降，不像其他模型趋于持平GT录音MOS分

3 使用vits模型进行中文语音合成训练

3.1 github项目下载：

git clone https://github.com/PlayVoice/vits_chinese

3.2 运行环境搭建：

annoconda环境搭建详见：annoconda安装与使用

conda create -n vits pyton==3.9

conda activate vits

cd vits_chinese

pip install -r requirements.txt

cd monotonic_align

python setup.py build_ext --inplace

3.3 数据集下载：

下载标贝男声数据集，采样频率为22050，下载地址如下：

标贝男声数据集（第一个包）

标贝男声数据集（第二个包）

标贝男声数据集标注数据

下载完成后，将数据集解压缩后放到“vits_chinese/data/waves”目录下，标注数据放到

“vits_chinese/data”目录下

3.4 预训练模型下载：

韵律模型下载：韵律模型

下载完成后，移动到“vits_chinese/bert/”目录下

3.5 数据预处理：

修改配置文件：vi config/bert_vits.json

    "max_wav_value": 32768.0,
    "sampling_rate": 22050,
    "filter_length": 1024,

python vits_prepare.py -c ./configs/bert_vits.json

3.6 启动训练

python train.py -c configs/bert_vits.json -m bert_vits

3.7 训练后推理

python vits_infer.py --config ./configs/bert_vits.json --model logs/bert_vits/G_700000.pth

其中G_700000.pth为训练后的模型，根据训练实际情况指定训练模型进行推理

 4 训练结果展示

经过1000个epoch训练后的语音生成效果如下：

https://download.csdn.net/download/lsb2002/87832170d

 5 预训练模型

使用标贝男声数据，使用Tasla-v100GPU，经过70万epochs训练后模型，新speaker可以在此模型上二次训练，达到快速收敛的效果。预训练模型下载地址

下载后，将模型存储到/vits_chinese/logs/bert_vits/目录下，启动二次训练