Bert-vits2更新了版本V210，修正了日/英的bert对齐问题，效果进一步优化；对底模使用的数据进行优化和加量，减少finetune失败以及电音的可能性；日语bert更换了模型，完善了多语言推理。
更多情报请参考Bert-vits2官网：
https://github.com/fishaudio/Bert-VITS2/releases/tag/2.1
最近的事情大家也都晓得了，马督工义无反顾带头冲锋，身体力行地实践着横渠四句：为天地立心，为生民立命，为往圣继绝学，为万世开太平。
本次我们基于Bert-vits2的新版本V210，复刻马督工，向他致敬。
Bert-vits2V210整备数据集
我们知道马督工的风格是语速极快，也没啥肢体语言，语调上也服务器托管网基本没有变化，除了换气，基本上就像机关枪一样无限念稿。当然，这也是因为睡前消息内容密度过大导致的，但作为深度学习训练数据集来说，睡前消息节目的音频素材显然是不合格的。
真正好的高质量数据集应该包含以下几个特征：
音色多样性：数据集应该包含目标说话人的多个语音样本，涵盖他们在不同情感状态、不同语速和不同音高下的说话。这样可以捕捉到目标说话人在不同情境下的声音特征。
音频质量：确保语音样本的音频质量高，没有明显的噪声、失真或其他干扰。音频质量的好坏直接影响到复刻结果的质量。
多样的语音内容：语音样本应该包含不同类型的语音内容，例如单词、短语、句子和段落。这有助于捕捉到目标说话人在不同语境下的音色特征。
语音平衡：确保数据集中包含目标说话人的样本数量相对平衡，以避免训练出偏向某些样本的模型。
覆盖不同音高：收集目标说话人在不同音高和音调下的语音样本。这样可以更好地捕捉到他们声音的变化和音高特征。
语音环境：包含不同环境下的语音样本，例如室内、室外、静音和嘈杂环境等。这样可以使复刻的音色更具鲁棒性，适应不同的环境条件。
长度和多样性：语音样本的长度和多样性也是需要考虑的因素。收集包含不同长度和语音风格的样本，以便更好地捕捉到目标说话人的声音特征。
当然了，完全满足上述特点基本不太可能，这里选择马督工和刘女神的一段采访视频：
https://www.bilibili.com/video/BV1sN411M73g/
首先将视频进行下载，这里使用you-get:
pip install you-get
运行命令：
https://www.bilibili.com/video/BV1sN411M73g/
下载成功后，将马督工的声音提取出来。
Bert-vits2V210训练模型
首先克隆笔者fork自官网的v210项目:
git clone https://github.com/v3ucn/Bert-VITS2_V210.git
将素材放入Data/meimei/raw/meimei目录中，注意必须是wav文件。
然后更换新的底模，下载地址：
https://openi.pcl.ac.cn/Stardust_minus/Bert-VITS2/modelmanage/show_model
把Bert-VITS2_2.1-Emo底模放入项目的pretrained_models目录。
同时单独把deberta-v2-large-japanese-char-wwm模型放入到项目的bert/deberta-v2-large-japanese-char-wwm目录中。
由于新增了多维情感模型，所以也需要单独下载模型：
https://huggingface.co/facebook/wav2vec2-large-robust/tree/main
放入项目的emotional目录：
E:workBert-VITS2-v21_demoemotional>tree /f
Folder PATH listing for volume myssd
Volume serial number is 7CE3-15AE
E:.
└───wav2vec2-large-robust-12-ft-emotion-msp-dim
.gitattributes
config.json
LICENSE
preprocessor_config.json
pytorch_model.bin
README.md
vocab.json
运行脚本，切分素材：
python3 audio_slicer.py
随后进行重采样和文本识别：
python3 short_audio_transcribe.py
接着进行标注：
python3 preprocess_text.py
和V2.0.2不同的是，V2.1需要生成多维情感模型文件：
python3 emo_gen.py
相对于原版，新版增加了，针对训练集的spec缓存，可以有效提高训练效率：
python3 spec_gen.py
最后生成bert模型可读文件：
python3 bert_gen.py
最后开始训练：
python3 train_ms.py
Bert-vits2V210模型推理
模型训练好之后，进入到推理环节，首先修改根目录的config.yml文件：
bert_gen:
config_path: config.json
device: cuda
num_processes: 2
use_multi_device: false
dataset_path: Datameimei
mirror: ''
openi_token: ''
preprocess_text:
clean: true
cleaned_path: filelists/cleaned.list
config_path: config.json
max_val_total: 8
train_path: filelists/train.list
transcription_path: filelists/short_character_anno.list
val_path: filelists/val.list
val_per_spk: 5
resample服务器托管网:
in_dir: raw
out_dir: raw
sampling_rate: 44100
server:
device: cuda
models:
- config: ./Data/meimei/config.json
device: cuda
language: ZH
model: ./Data/meimei/models/G_0.pth
speakers:
- length_scale: 1
noise_scale: 0.6
noise_scale_w: 0.8
sdp_ratio: 0.2
speaker: "u79D1u6BD4"
- length_scale: 0.5
noise_scale: 0.7
noise_scale_w: 0.8
sdp_ratio: 0.3
speaker: "u4E94u6761u609F"
- length_scale: 1.2
noise_scale: 0.6
noise_scale_w: 0.8
sdp_ratio: 0.2
speaker: "u5B89u500Du664Bu4E09"
- config: ./Data/meimei/config.json
device: cuda
language: JP
model: ./Data/meimei/models/G_0.pth
speakers: []
port: 7860
train_ms:
base:
model_image: "Bert-VITS2_2.1-Emo底模"
repo_id: Stardust_minus/Bert-VITS2
use_base_model: false
config_path: config.json
env:
MASTER_ADDR: localhost
MASTER_PORT: 10086
RANK: 0
THE_ENV_VAR_YOU_NEED_TO_USE: '1234567'
WORLD_SIZE: 1
keep_ckpts: 8
model: models
num_workers: 16
spec_cache: true
translate:
app_key: ''
secret_key: ''
webui:
config_path: Data/meimei/config.json
debug: false
device: cuda
language_identification_library: langid
model: models/G_150.pth
port: 7860
share: false
在后面的webui配置中写入模型文件名:model: models/G_150.pth。
随后启动推理脚本：
python3 webui.py
就可以进行推理了：
请注意，推理建议使用官方的基于Gradio版本的推理页面，而非FastApi的版本。
结语
本项目只是用于Bert-vits2的研究和测试，毫无疑问，想通过30秒的素材就复刻马督工根本是天方夜谭，但马督工的精神，是我们每一个人都可以复刻的。
服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
机房租用，北京机房租用，IDC机房托管， http://www.fwqtg.net
相关推荐: 向量数据库的行业标准逐渐清晰！Vector DB Bench 正式开源！
大模型带火了向量数据库赛道，也让各式各样的向量数据库进入开发者视野。 对于开发者而言，如何选择一个适合自己的向量数据库至关重要。不过，向量数据库的选型并不简单，开发者不仅需要对市面上各种开源和闭源的数据库进行全面的性能评估，还要根据自己的业务数据设计测试方案……
