Singing Voice Conversion

【无需去伴奏】就能直接进行歌声转换的SVC库

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，测试模型发布，非最后结果

• 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	用法和判别器类似，模型训练完了再处理
one shot vits	✅
band extention	✅

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

安装依赖

待完善~~~

数据预处理

• 1， 设置工作目录

  export PYTHONPATH=$PWD

• 2， 重采样

  生成采样率16000Hz音频, 存储路径为：./data_svc/waves-16k

  python prepare/preprocess_a.py -w ./data_raw -o ./data_svc/waves-16k -s 16000

  生成采样率48000Hz音频, 存储路径为：./data_svc/waves-48k

  python prepare/preprocess_a.py -w ./data_raw -o ./data_svc/waves-48k -s 48000

  可选的16000Hz提升到48000Hz，待完善~批处理

  python bandex/inference.py -w svc_out.wav

• 3， 使用16K音频，提取音高

  python prepare/preprocess_f0.py -w data_svc/waves-16k/ -p data_svc/pitch

• 4， 使用16k音频，提取内容编码

  python prepare/preprocess_ppg.py -w data_svc/waves-16k/ -p data_svc/whisper

• 5， 使用16k音频，提取音色编码

  python prepare/preprocess_speaker.py data_svc/waves-16k/ data_svc/speaker

• 6， 使用48k音频，提取线性谱

  python prepare/preprocess_spec.py -w data_svc/waves-48k/ -s data_svc/specs

• 7， 使用48k音频，生成训练索引

  python prepare/preprocess_train.py

• 8， 训练文件调试

  python prepare/preprocess_zzz.py

训练

启动训练

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

查看日志

tensorboard --logdir logs/

推理

可以下载release页面的sovits5.0_48k_debug.pth模型，进行推理测试

模型包含56个发音人，在configs/singers目录中，可用于测试音色泄露

4个辨识度较高的发音人样本，在configs/singers_sample目录中

• 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

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

代码来源和参考文献

https://github.com/facebookresearch/speech-resynthesis paper

https://github.com/jaywalnut310/vits paper

https://github.com/openai/whisper/ paper

https://github.com/NVIDIA/BigVGAN paper

https://github.com/mindslab-ai/univnet [paper]

https://github.com/nii-yamagishilab/project-NN-Pytorch-scripts/tree/master/project/01-nsf

VI-SVC, Singing Voice Conversion based on VITS decoder

SNAC : Speaker-normalized Affine Coupling Layer in Flow-based Architecture for Zero-Shot Multi-Speaker Text-to-Speech

Adapter-Based Extension of Multi-Speaker Text-to-Speech Model for New Speakers

AdaSpeech: Adaptive Text to Speech for Custom Voice

贡献者