批量生成,本地推理,人工智能声音克隆框架PaddleSpeech本地批量克隆实践(Python3.10)

by Liu Yue/2023-06-15

    云端炼丹固然是极好的,但不能否认的是,成本要比本地高得多,同时考虑到深度学习的训练相对于推理来说成本也更高,这主要是因为它需要大量的数据、计算资源和时间等资源,并且对超参数的调整也要求较高,更适合在云端进行。

    在推理阶段,模型的权重和参数不再调整。相反,模型根据输入数据的特征进行计算,并输出预测结果。推理阶段通常需要较少的计算资源和时间,所以训练我们可以放在云端,而批量推理环节完全可以挪到本地,这样更适合批量的声音克隆场景。

    本地配置PaddleSpeech

    首先需要在本地安装PaddlePaddle框架,关于PaddlePaddle的本地配置,请移步:声音好听,颜值能打,基于PaddleGAN给人工智能AI语音模型配上动态画面(Python3.10),这里不再赘述。

    安装好PaddlePaddle之后,运行命令本地安装PaddleSpeech:

pip3 install paddlespeech

    由于paddlespeech的依赖库中包括webrtcvad,如果本地环境没有安装过Microsoft Visual C++ 14.0,大概率会报这个错误:

building 'Crypto.Random.OSRNG.winrandom' extension
error: Microsoft Visual C++ 14.0 is required. Get it with "Microsoft Visual
C++ Build Tools": http://landinghub.visualstudio.com/visual-cpp-build-tools

    此时需要安装一下Microsoft Visual C++ 14.0的开发者工具,最好不要使用微软的线上安装包,推荐使用离线安装包,下载地址:

链接:https://pan.baidu.com/s/1VSRHAMuDkhzQo7nM4JihEA?pwd=or7x 
提取码:or7x

    安装完C++ 14.0即可完成PaddleSpeech的安装:

D:\work\speech\master_voice>python
Python 3.10.11 (tags/v3.10.11:7d4cc5a, Apr 5 2023, 00:38:17) [MSC v.1929 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import paddlespeech
>>>

    下载音色模型和声码器

    音色模型就是之前我们在:声音克隆,精致细腻,人工智能AI打造国师“一镜到底”鬼畜视频,基于PaddleSpeech(Python3.10) 中训练的国师的音色模型,下载地址:

链接:https://pan.baidu.com/s/1nKOPlI7P_u_a5UGdHX76fA?pwd=ygqp 
提取码:ygqp

    随后下载声码器,这里推荐下载【PWGan】和【WaveRnn】两款声码器,不推荐【HifiGan】,因为【HifiGan】的效果实在太糟糕,PWGan的效果差强人意,WaveRnn质量最高,但推理时间也最慢。

    下载地址:

链接:https://pan.baidu.com/s/1KHIZS5CrydtANXm6CszdYQ?pwd=6lsk 
提取码:6lsk

    下载之后,分别解压到同一个目录即可。

    本地推理

    接下来我们就可以编写推理脚本了。

    首先导入需要的模块:

from pathlib import Path
import soundfile as sf
import os
from paddlespeech.t2s.exps.syn_utils import get_am_output
from paddlespeech.t2s.exps.syn_utils import get_frontend
from paddlespeech.t2s.exps.syn_utils import get_predictor
from paddlespeech.t2s.exps.syn_utils import get_voc_output

# 音色模型的路径
am_inference_dir = "./master"

# 声码器的路径
voc_inference_dir_pwgan = "./pwgan"

# 声码器的路径
voc_inference_dir_wavernn = "./wavernn"



# 克隆音频生成的路径
wav_output_dir = "./output"

# 选择设备[gpu / cpu],默认选择gpu,
device = "gpu"

    这里定义好模型和声码器的路径,同时定义输出路径,默认采用gpu进行推理,速度更快。

    随后定义后要语音生成的文本:

text_dict = {
"1": "我原来想拿中石油的offer",
"2": "是不是很大胆",
"3": "中石油",
"4": "国企天花板",
"5": "就是中石油",
"6": "出差可以逛太古里",
"7": "太爽了",
"8": "我最早准备面试的时候",
"9": "跟所有同学说的只面中石油",
"10": "所有的同学,包括亲戚,朋友,他们所有人很兴奋",
"11": "我女朋友也很兴奋",
"12": "中石油",
"13": "一直说的是去中石油",
"14": "我一直在做去中石油的准备",
"15": "当时我面试的时候",
"16": "我说试用期只要20天",
"17": "或者只要25天",
"18": "两周到三周",
"19": "hr说为什么?",
"20": "我说很简单",
"21": "我每天飞四川",
"22": "单程两个小时",
"23": "早上去一次",
"24": "晚上去一次",
"25": "每天去两次",
"26": "我坚持10天",
"27": "20次",
"28": "就是20次",
"29": "成都太古里",
"30": "哇简直太爽了",
"31": "逛街",
"32": "去10天就够了",
"33": "然后前面的十天在北京",
"34": "上班",
"35": "严格地上班",
"36": "我说试用期只要二十天",
"37": "咱试用期就结束了",
"38": "哇hr说真的太厉害",
"39": "就挑战性太大了",
"40": "一天都不能请假啊",
"41": "但是后来我还是放弃了,哈哈哈",


"42": "你知道为什么",
"43": "我研究了大量的员工去成都的案例",
"44": "嗯,也有一些基层员工",
"45": "还有尤其是最近一段时间一些比较大胆的行为",
"46": "就是牵手那个我也看了",
"47": "我专门看",
"48": "研究",
"49": "就一直,我就一直下不了决心",
"50": "其实我真的非常想去啊,内心深处非常想",
"51": "你知道最大问题是什么,当然这是一个专业问题,简单地说最大问题就是街拍",
"52": "就是街拍",
"53": "因为你去了他就拍你啊",
"54": "就没有办法",
"55": "对一个员工",
"56": "对一个向往太古里的员工",
"57": "一个经常逛太古里的员工来说",
"58": "他给你来一个街拍",
"59": "全给你拍下来",
"60": "上传抖音",
"61": "因为你不能蹭蹭蹭蹭",
"62": "逛的太快啊",
"63": "不能啊",
"64": "你从南边到北边",
"65": "你中间得逛啊",
"66": "就拍了",
"67": "就拍了",
"68": "第一是街拍避免不了",
"69": "无论怎么样",
"70": "我想来想去",
"71": "因为我算个内行嘛",
"72": "我不去了,我就知道街拍跑不了",
"73": "街拍,避免不了",

"74": "第二个",
"75": "你的工资会全都损失了",
"76": "不是损失一半的工资,一半无所谓",
"77": "是全部的工资,奖金,绩效,年终奖全都没有了",
"78": "然后你还得停职",
"79": "就很尴尬啊",
"80": "这样子就不好混了",
"81": "真的不好混了",
"82": "最后我差不多一个多月的思想斗争",
"83": "那是个重大决定",
"84": "因为我都是按照去中石油准备的",
"85": "背面试题呢",
"86": "后来说放弃",
"87": "我自己决定放弃",
"88": "一个人做的决定,一个人的思考",
"89": "一个多月以后我放弃了,我第一个电话打给人力,我说我放弃去中石油。他,啊这,就不能接受",
"90": "他已经完全沉浸到去太古里当中去了,你知道吧",
"91": "就想着太好了,就喜欢的不得了",
"92": "怎么可能就过来说服我",
"93": "我说你不用跟我说",
"94": "你都不太清楚",
"95": "反正去中石油",
"96": "说怎么可能,你能做到,就开始给我忽悠",
"97": "我放弃了",
"98": "然后我跟女朋友说放弃",
"99": "哎呀,她说她把包包裙子都买了,这那的",
"100": "所有人,大家都觉得太遗憾了。",
"101": "然后跟老板说",
"102": "最有意思是跟老板说",
"103": "说真的不去中石油了",
"104": "哎呀,哎呀",
"105": "就觉着好像就没劲了,哈哈哈",
"106": "说你不是开玩笑吧",
"107": "哎呀就觉得,好像不想要我了似的",
"108": "开玩笑啊,开玩笑",
"109": "就所有人都沮丧而失落",
"110": "就我看到大家的反应",
"111": "我也很难过,很难过",
"112": "我我,我后来还是放弃了",
"113": "放弃了,嗯",
"114": "所以中石油offer是一个学习",
"115": "它对于一个追求太古里的一个员工来说",
"116": "它是破坏性的",
"117": "你去了中石油又能怎么样呢?",
"118": "你丢掉了信仰",
"119": "丢掉了人格啊",
"120": "孰重孰轻啊",
"121": "所以我在学习",
"122": "我在学习做一个合格员工的思考",
"123": "这就是我的,遗憾",
"124": "但也许是我的一个清醒",
"125": "或者学习的心得",
}

    这里字典的key是文件名,value是音频的内容。

    随后加载声码器地址中的配置文件:

# frontend
frontend = get_frontend(
lang="mix",
phones_dict=os.path.join(am_inference_dir, "phone_id_map.txt"),
tones_dict=None
)

# am_predictor
am_predictor = get_predictor(
model_dir=am_inference_dir,
model_file="fastspeech2_mix" + ".pdmodel",
params_file="fastspeech2_mix" + ".pdiparams",
device=device)

# voc_predictor
voc_predictor_pwgan = get_predictor(
model_dir=voc_inference_dir_pwgan,
model_file="pwgan_aishell3" + ".pdmodel",
params_file="pwgan_aishell3" + ".pdiparams",
device=device)


voc_predictor_wavernn = get_predictor(
model_dir=voc_inference_dir_wavernn,
model_file="wavernn_csmsc" + ".pdmodel",
params_file="wavernn_csmsc" + ".pdiparams",
device=device)

output_dir = Path(wav_output_dir)
output_dir.mkdir(parents=True, exist_ok=True)

sentences = list(text_dict.items())

    这里我们准备两个声码器对象。

    最后运行克隆函数:

def clone(voc_predictor):

merge_sentences = True
fs = 24000
for utt_id, sentence in sentences:
am_output_data = get_am_output(
input=sentence,
am_predictor=am_predictor,
am="fastspeech2_mix",
frontend=frontend,
lang="mix",
merge_sentences=merge_sentences,
speaker_dict=os.path.join(am_inference_dir, "phone_id_map.txt"),
spk_id=0, )
wav = get_voc_output(
voc_predictor=voc_predictor, input=am_output_data)
# 保存文件
sf.write(output_dir / (utt_id + ".wav"), wav, samplerate=fs)


if __name__ == '__main__':

clone(voc_predictor_pwgan)

    这里默认的采样率是24000,am模型使用fastspeech2_mix,因为它可以兼容英文的阅读。

    声码器选择voc_predictor_pwgan,当然也可以将参数修改为voc_predictor_wavernn。

    生成后的效果:


    结语

    基于声学模型 FastSpeech2的PaddleSpeech的产品力已经相当惊人,就算是放在全球人工智能领域的尺度上,摆在微软这种业界巨头的最佳产品Azure-tts旁边,也是毫不逊色的,感谢百度,让普通人也能玩恶搞配音项目,最后奉上国师的鬼畜视频一键生成项目,与众乡亲同飨:

https://github.com/zcxey2911/zhangyimou_voice_clone_text