Singing Voice Conversion

技术分支

PlayVoice/so-vits-svc-5.0 有口音，辨识度高，适合非跨语言，跨语言会口糊
PlayVoice/lora-svc 无口音，辨识度略低，适合跨语言，跨语言不口糊
PlayVoice/max-vc 不提取F0，解决F0提取不准，丝滑的转换结果

本项目更新中，暂时不能使用，更新点

内容提取器更新为OpenAI的whisper
HiFiGAN更新为NVIDA的BigVGAN
VITS框架加入Micsoft的NatureSpeech优化
加入音色提取
加入说话人适配器
加入GRL阻止音色泄漏

Feature	Status
whiser	✅
bigvgan	✅
nature speech	✅
nsf vocoder	✅
speaker encoder	✅
GRL for speaker	Coming soon!
one shot vits	Coming soon!
band extention	Coming soon!
audio enhance	Coming soon!

模型简介

歌声音色转换模型，通过SoftVC内容编码器提取源音频语音特征，与F0同时输入VITS替换原本的文本输入达到歌声转换的效果。同时，更换声码器为 NSF HiFiGAN 解决断音问题

据不完全统计，多说话人似乎会导致音色泄漏加重，不建议训练超过10人的模型，目前的建议是如果想炼出来更像目标音色，尽可能炼单说话人的
针对sovits3.0 48khz模型推理显存占用大的问题，可以切换到32khz的分支版本训练32khz的模型
目前发现一个较大问题，3.0推理时显存占用巨大，6G显存基本只能推理30s左右长度音频
断音问题已解决，音质提升了不少
2.0版本已经移至 sovits_2.0分支
3.0版本使用FreeVC的代码结构，与旧版本不通用
与DiffSVC 相比，在训练数据质量非常高时diffsvc有着更好的表现，对于质量差一些的数据集，本仓库可能会有更好的表现，此外，本仓库推理速度上比diffsvc快很多

数据集准备

仅需要以以下文件结构将数据集放入dataset_raw目录即可

dataset_raw
├───speaker0
│   ├───xxx1-xxx1.wav
│   ├───...
│   └───Lxx-0xx8.wav
└───speaker1
    ├───xx2-0xxx2.wav
    ├───...
    └───xxx7-xxx007.wav

工作目录

export PYTHONPATH=$PWD

数据预处理

1，重采样

python svc_resample.py
2，提取音高

python prepare/preprocess_f0.py -w data_svc/waves/ -p data_svc/pitch
3，提取内容编码

python prepare/preprocess_ppg.py -w data_svc/waves/ -p data_svc/whisper
4，提取音色编码

python prepare/preprocess_speaker.py data_svc/waves/ data_svc/speaker
5，提取线性谱

python prepare/preprocess_spec.py -w data_svc/waves/ -s data_svc/specs
6，生成训练索引

python prepare/preprocess_train.py
7，训练文件调试

python prepare/preprocess_zzz.py

训练

python svc_trainer.py -c configs/base.yaml -n sovits5.0

推理

当前发布的版本用于代码调试，不是最终效果；模型可以使用configs\singers目录中的56个发音人进行推理；

1，设置工作目录

export PYTHONPATH=$PWD
2，导出推理模型：文本编码器，Flow网络，Decoder网络；判别器和后验编码器只在训练中使用

python svc_export.py --config configs/base.yaml --checkpoint_path chkpt/sovits5.0/***.pt
3，使用whisper提取内容编码，没有采用一键推理，为了降低显存占用

python whisper/inference.py -w test.wav -p test.ppg.npy

生成test.ppg.npy；如果下一步没有指定ppg文件，则调用程序自动生成
4，指定参数，推理

python svc_inference.py --config configs/base.yaml --model sovits5.0.pth --spk ./configs/singers/singer0001.npy --wave test.wav --ppg test.ppg.npy

当指定--ppg后，多次推理同一个音频时，可以避免重复提取音频内容编码；没有指定，也会自动提取；

生成文件在当前目录svc_out.wav；

args name

--config 配置文件

--model 模型文件

--spk 音色文件

--wave 音频文件

--ppg 音频内容

args	name
--config	配置文件
--model	模型文件
--spk	音色文件
--wave	音频文件
--ppg	音频内容

数据集

Name	URL
KiSing	http://shijt.site/index.php/2021/05/16/kising-the-first-open-source-mandarin-singing-voice-synthesis-corpus/
PopCS	https://github.com/MoonInTheRiver/DiffSinger/blob/master/resources/apply_form.md
opencpop	https://wenet.org.cn/opencpop/download/
Multi-Singer	https://github.com/Multi-Singer/Multi-Singer.github.io
M4Singer	https://github.com/M4Singer/M4Singer/blob/master/apply_form.md
CSD	https://zenodo.org/record/4785016#.YxqrTbaOMU4
KSS	https://www.kaggle.com/datasets/bryanpark/korean-single-speaker-speech-dataset
JVS MuSic	https://sites.google.com/site/shinnosuketakamichi/research-topics/jvs_music
PJS	https://sites.google.com/site/shinnosuketakamichi/research-topics/pjs_corpus
JUST Song	https://sites.google.com/site/shinnosuketakamichi/publication/jsut-song
MUSDB18	https://sigsep.github.io/datasets/musdb.html#musdb18-compressed-stems
DSD100	https://sigsep.github.io/datasets/dsd100.html
Aishell-3	http://www.aishelltech.com/aishell_3
VCTK	https://datashare.ed.ac.uk/handle/10283/2651