1 VITS模型介绍
VITS（Variational Inference with adversarial learning for end-to-end Text-to-Speech）是一种语音合成方法，它使用预先训练好的语音编码器 (vocoder声码器) 将文本转化为语音。
VITS 的工作流程如下：
（1）将文本输入 VITS 系统，系统会将文本转化为发音规则。
（2）将发音规则输入预先训练好的语音编码器 (vocoder)，vocoder 会根据发音规则生成语音信号的特征表示。
（3）将语音信号的特征表示输入预先训练好的语音合成模型，语音合成模型会根据特征表示生成合成语音。
VITS 的优点是生成的语音质量较高，能够生成流畅的语音。但是，VITS 的缺点是需要大量的训练语料来训练 vocoder 和语音合成模型，同时需要较复杂的训练流程。
论文链接：论文地址
2 VITS-fast-fine-tuning介绍
VITS-fast-fine-tuning是在原始VITS（VITS源码）基础上开发出的一站式多speaker训练的傻瓜式版本，简单易用，可以基于VITS-fast-fine-tuning半小时内无需标注训练任意角色的语音，并提供了基础的预训练模型，可以在预训练模型上进行二次训练，实现任意角色的语音生成。
代码地址如下：VITS-fast-fine-tuning源码
训练步骤如下：
（1）准备预训练数据，按照制定格式和路径进行存放，数据无需标注
（2）对数据进行预处理，采用whisper模型进行语音提取和切分，形成标注数据。
whisper的内容详见：whisper
（3）使用提出的带标注的数据进行语音合成训练
3 VITS-fast-fine-tuning部署与训练
（1）conda环境准备
conda环境准备详见：annoconda
（2）运行环境安装
conda create -n vits python=3.9
conda activate vits
pip install imageio==2.4.1
pip install --upgrade youtube-dl
pip install moviepy
cd VITS-fast-fine-tuning
pip install -r requirements.txt
（3）训练准备
mkdir monotonic_align
python setup.py build_ext --inplace
cd ..
mkdir pretrained_models
mkdir video_data
mkdir raw_audio
mkdir denoised_audio
mkdir custom_character_voice
mkdir segmented_character_voice（4）数据准备
数据下载地址：数据集合包
下载完成后：
- 将“sampled_audio4ft”和“sampled_audio4ft.txt”放入VITS-fast-fine-tuning的根目录下
- 将“D_0.pth”和“G_0.pth”放入pretrained_models目录下
- 将“finetune_speaker.json”放入config目录下
- 将“baker”放入custom_character_voice目录下
注意，如果使用其他文件，命名规则如下：
视频：./video_data/
长音频：./raw_audio/
短音频：./custom_character_voice/
1.其中短音频的格式是：
├───aaa
├ ├───xxx.wav
├ ├───...
├ └───zzz.wav
├───bbb
├ ├───xxx.wav
├ ├───...
├ └───zzz.wav
├───...
├
└───Character_name_n
├───xxx.wav
├───...
└───zzz.wav
质量要求：2秒以上，10秒以内，尽量不要有背景噪音。
数量要求：一个角色至少10条，最好每个角色20条以上。
2.以角色名命名的长音频文件，音频内只能有单说话人，背景音会被自动去除。
命名格式为：{角色名}_{数字}.wav
同一个角色可以放多个音频，数字不同
(例如：aaa_001.wav, bbb_001.wav)，必须是.wav文件。
3.以角色名命名的长视频文件，视频内只能有单说话人，背景音会被自动去除。
命名格式为：{角色名称}_{数字}.mp4
(例如：aaa_332452.mp4, bbb_957315.mp4)，必须是.mp4文件。（5）启动数据的预处理
python video2audio.py
python denoise_audio.py
python long_audio_transcribe.py --languages "CJE" --whisper_size medium
python short_audio_transcribe.py --languages "CJE" --whisper_size medium
python preprocess_v2.py参数–add_auxiliary_data选择：
如果总样本少于100条时增加，即最后一行改为如下命令执行：
python preprocess_v2.py --add_auxiliary_data True（6）启动模型训练
为保证模型可以二次训练，修改 finetune_speaker_v2.py文件中的代码
utils.save_checkpoint(net_g, None, hps.train.learning_rate, epoch, os.path.join(hps.model_dir, "G_{}.pth".format(global_step)))
utils.save_checkpoint(net_g, None, hps.train.learning_rate, epoch,
os.path.join(hps.model_dir, "G_latest.pth".format(global_step)))在保存推理模型的同时，保存判别模型。
启动训练命令如下：
python finetune_speaker_v2.py -m "./OUTPUT_MODEL" --max_epochs "300"其中参数300为训练300个epochs，可以根据实际情况调整，一般建议200以上
（7）模型推理
将VC_inference.py文件中的
parser.add_argument("--model_dir", default="./OUTPUT_MODEL/G_latest.pth", help="directory to your fine-tuned model")
改为（如训练300个epochs）：
parser.add_argument("--model_dir", default="./OUTPUT_MODEL/G_300.pth", help="directory to your fine-tuned model")
运行启动命令：
python VC_inference.py启动的语音生成界面如下：
输入文字点击generate即可体验语音生成效果
文章出处登录后可见！
