首次引入大模型!Bert-vits2-Extra中文特化版40秒素材复刻巫师3叶奈法

by Liu Yue/2024-01-06

Bert-vits2项目又更新了，更新了一个新的分支：中文特化，所谓中文特化，即针对中文音色的特殊优化版本，纯中文底模效果百尺竿头更进一步，同时首次引入了大模型，使用国产IDEA-CCNL/Erlangshen-MegatronBert-1.3B大模型作为Bert特征提取，基本上完全解决了发音的bad case，同时在情感表达方面有大幅提升，可以作为先前V1.0.1纯中文版本更好的替代。

更多情报请参见Bert-vits2项目官网：

https://github.com/fishaudio/Bert-VITS2/releases/tag/Extra

本次我们基于Bert-vits2中文特化版本通过40秒素材复刻巫师3角色叶奈法（Yennefer）的音色。

配置Bert-vits2中文特化版本

首先克隆项目：

git clone https://github.com/v3ucn/Bert-VITS2-Extra_-.git

注意这里是针对官方的Extra分支的修改版本，增加了音频切分和转写。

随后下载新的纯中文底模：

https://openi.pcl.ac.cn/Stardust_minus/Bert-VITS2/modelmanage/show_model

同时还需要下载IDEA-CCNL/Erlangshen-MegatronBert-1.3B大模型的预训练模型：

值得一提的是，这个新炼的纯中文底模非常牛逼，官方作者仅通过一个5秒的素材就可以完美复刻音色。

关于作者的中文特化底模极限测试：

https://www.bilibili.com/video/BV1Fa4y1B7HB/

随后将模型放入对应的文件夹，bert模型文件结构如下：

E:\work\Bert-VITS2-Extra\bert>tree /f
Folder PATH listing for volume myssd
Volume serial number is 7CE3-15AE
E:.
│   bert_models.json
│
├───bert-base-japanese-v3
│       .gitattributes
│       config.json
│       README.md
│       tokenizer_config.json
│       vocab.txt
│
├───bert-large-japanese-v2
│       .gitattributes
│       config.json
│       README.md
│       tokenizer_config.json
│       vocab.txt
│
├───chinese-roberta-wwm-ext-large
│       .gitattributes
│       added_tokens.json
│       config.json
│       pytorch_model.bin
│       README.md
│       special_tokens_map.json
│       tokenizer.json
│       tokenizer_config.json
│       vocab.txt
│
├───deberta-v2-large-japanese
│       .gitattributes
│       config.json
│       pytorch_model.bin
│       README.md
│       special_tokens_map.json
│       tokenizer.json
│       tokenizer_config.json
│
├───deberta-v2-large-japanese-char-wwm
│       .gitattributes
│       config.json
│       pytorch_model.bin
│       README.md
│       special_tokens_map.json
│       tokenizer_config.json
│       vocab.txt
│
├───deberta-v3-large
│       .gitattributes
│       config.json
│       generator_config.json
│       pytorch_model.bin
│       README.md
│       spm.model
│       tokenizer_config.json
│
├───Erlangshen-DeBERTa-v2-710M-Chinese
│       config.json
│       special_tokens_map.json
│       tokenizer_config.json
│       vocab.txt
│
├───Erlangshen-MegatronBert-1.3B-Chinese
│       config.json
│       pytorch_model.bin
│       vocab.txt
│
└───Erlangshen-MegatronBert-3.9B-Chinese
        config.json
        special_tokens_map.json
        tokenizer_config.json
        vocab.txt

很明显，这里关于Erlangshen-MegatronBert大模型，其实有三个参数选择，有710m和1.3b以及3.9B，作者选择了居中的1.3b大模型。

这里介绍一下国产的Erlangshen-MegatronBert大模型。

Erlangshen-MegatronBert 是一个具有 39 亿参数的中文 BERT 模型，它是目前最大的中文 BERT 模型之一。这个模型的编码器结构为主，专注于解决各种自然语言理解任务。它同时，鉴于中文语法和大规模训练的难度，使用了四种预训练策略来改进 BERT，Erlangshen-MegatronBert 模型适用于各种自然语言理解任务，包括文本生成、文本分类、问答等，这个模型的权重和代码都是开源的，可以在 Hugging Face 和 CSDN 博客等平台上找到。

Erlangshen-MegatronBert 模型可以应用于多种领域，如 AI 模拟声音、数字人虚拟主播等。

另外需要注意的是，clap模型也已经回归，结构如下：

E:\work\Bert-VITS2-Extra\emotional\clap-htsat-fused>tree /f
Folder PATH listing for volume myssd
Volume serial number is 7CE3-15AE
E:.
    .gitattributes
    config.json
    merges.txt
    preprocessor_config.json
    pytorch_model.bin
    README.md
    special_tokens_map.json
    tokenizer.json
    tokenizer_config.json
    vocab.json

No subfolders exist

clap主要负责情感风格的引导。2.3版本去掉了，中文特化又加了回来。

至此模型就配置好了。

Bert-vits2中文特化版本训练和推理

首先把叶奈法的音频素材放入角色的raw目录。

随后需要对数据进行预处理操作：

python3 audio_slicer.py
python3 short_audio_transcribe.py

这里是切分和转写。

接着运行预处理的webui:

python3 webui_preprocess.py

这里需要注意的是，bert特征文件的生成会变慢，因为需要大模型的参与。

后续应该会有一些改进。

数据处理之后，应该包括重采样音频，bert特征文件，以及clap特征文件：

E:\work\Bert-VITS2-Extra\Data\Yennefer\wavs>tree /f
Folder PATH listing for volume myssd
Volume serial number is 7CE3-15AE
E:.
    Yennefer_0.bert.pt
    Yennefer_0.emo.pt
    Yennefer_0.spec.pt
    Yennefer_0.wav
    Yennefer_1.bert.pt
    Yennefer_1.emo.pt
    Yennefer_1.spec.pt
    Yennefer_1.wav
    Yennefer_10.bert.pt
    Yennefer_10.emo.pt
    Yennefer_10.spec.pt
    Yennefer_10.wav
    Yennefer_11.bert.pt
    Yennefer_11.emo.pt
    Yennefer_11.spec.pt
    Yennefer_11.wav
    Yennefer_12.bert.pt
    Yennefer_12.emo.pt
    Yennefer_12.spec.pt
    Yennefer_12.wav
    Yennefer_13.bert.pt
    Yennefer_13.emo.pt
    Yennefer_13.spec.pt
    Yennefer_13.wav
    Yennefer_14.bert.pt
    Yennefer_14.emo.pt
    Yennefer_14.spec.pt
    Yennefer_14.wav
    Yennefer_15.bert.pt
    Yennefer_15.emo.pt
    Yennefer_15.spec.pt
    Yennefer_15.wav
    Yennefer_16.bert.pt
    Yennefer_16.emo.pt
    Yennefer_16.spec.pt
    Yennefer_16.wav
    Yennefer_17.bert.pt
    Yennefer_17.emo.pt
    Yennefer_17.spec.pt
    Yennefer_17.wav
    Yennefer_18.bert.pt
    Yennefer_18.emo.pt
    Yennefer_18.spec.pt
    Yennefer_18.wav
    Yennefer_19.bert.pt
    Yennefer_19.emo.pt
    Yennefer_19.spec.pt
    Yennefer_19.wav
    Yennefer_2.bert.pt
    Yennefer_2.emo.pt
    Yennefer_2.spec.pt
    Yennefer_2.wav
    Yennefer_20.bert.pt
    Yennefer_20.emo.pt
    Yennefer_20.spec.pt
    Yennefer_20.wav
    Yennefer_3.bert.pt
    Yennefer_3.emo.pt
    Yennefer_3.spec.pt
    Yennefer_3.wav
    Yennefer_4.bert.pt
    Yennefer_4.emo.pt
    Yennefer_4.spec.pt
    Yennefer_4.wav
    Yennefer_5.bert.pt
    Yennefer_5.emo.pt
    Yennefer_5.spec.pt
    Yennefer_5.wav
    Yennefer_6.bert.pt
    Yennefer_6.emo.pt
    Yennefer_6.spec.pt
    Yennefer_6.wav
    Yennefer_7.bert.pt
    Yennefer_7.emo.pt
    Yennefer_7.spec.pt
    Yennefer_7.wav
    Yennefer_8.bert.pt
    Yennefer_8.emo.pt
    Yennefer_8.spec.pt
    Yennefer_8.wav
    Yennefer_9.bert.pt
    Yennefer_9.emo.pt
    Yennefer_9.spec.pt
    Yennefer_9.wav

随后训练即可：

python3 train_ms.py

结语

Bert-vits2中文特化版本引入了大模型，导致入门的门槛略微变高了一点，官方说至少需要8G显存才可以跑，实际上6G也是可以的，如果bert大模型选择参数更少的版本，相信运行的门槛会进一步的降低。

最后奉上整合包链接：

整合包链接：https://pan.quark.cn/s/754f236ef864