Skip to content

Latest commit

 

History

History
1092 lines (785 loc) · 71 KB

README_zh_CN.md

File metadata and controls

1092 lines (785 loc) · 71 KB
Raw

SoftVC VITS Singing Voice Conversion 本地部署教程

English | 简体中文

最后更新时间：2024.8.4

本帮助文档为项目 so-vits-svc 的详细安装、调试、推理教程，您也可以直接选择官方README文档

中文文档撰写：Sucial | Bilibili 主页

✨ 点击前往：配套视频教程 | UVR5 人声分离教程（注意：配套视频可能较老，仅供参考，一切以最新教程文档为准！）

✨ 相关资料：官方 README 文档 | 常见报错解决方法 | 羽毛布団

Important

  1. 重要！写在开头！ 不想手动配置环境/伸手党/寻找整合包的，请使用 羽毛布団 大佬的整合包！
  2. 关于旧版本教程：如需 so-vits-svc3.0 版本的教程，请切换至 3.0 分支。此分支教程已停止更新！
  3. 文档的持续完善：若遇到本文档内未提到的报错，您可以在 issues 中提问；若遇到项目 bug，请给原项目提 issues；想要更加完善这份教程，欢迎来给提 pr！

教程目录

0. 用前须知

任何国家，地区，组织和个人使用此项目必须遵守以下法律

《民法典》

第一千零一十九条

任何组织或者个人不得以丑化、污损，或者利用信息技术手段伪造等方式侵害他人的肖像权。未经肖像权人同意，不得制作、使用、公开肖像权人的肖像，但是法律另有规定的除外。未经肖像权人同意，肖像作品权利人不得以发表、复制、发行、出租、展览等方式使用或者公开肖像权人的肖像。对自然人声音的保护，参照适用肖像权保护的有关规定。 对自然人声音的保护，参照适用肖像权保护的有关规定

第一千零二十四条

【名誉权】民事主体享有名誉权。任何组织或者个人不得以侮辱、诽谤等方式侵害他人的名誉权。

第一千零二十七条

【作品侵害名誉权】行为人发表的文学、艺术作品以真人真事或者特定人为描述对象，含有侮辱、诽谤内容，侵害他人名誉权的，受害人有权依法请求该行为人承担民事责任。行为人发表的文学、艺术作品不以特定人为描述对象，仅其中的情节与该特定人的情况相似的，不承担民事责任。

《中华人民共和国宪法》|《中华人民共和国刑法》|《中华人民共和国民法典》|《中华人民共和国合同法》

0.1 使用规约

Warning

  1. 本教程仅供交流与学习使用，请勿用于违法违规或违反公序良德等不良用途。出于对音源提供者的尊重请勿用于鬼畜用途
  2. 继续使用视为已同意本教程所述相关条例，本教程已进行劝导义务，不对后续可能存在问题负责
  3. 请自行解决数据集授权问题，禁止使用非授权数据集进行训练！任何由于使用非授权数据集进行训练造成的问题，需自行承担全部责任和后果！与仓库、仓库维护者、svc develop team、教程发布者无关！

具体使用规约如下：

  • 本教程内容仅代表个人，均不代表 so-vits-svc 团队及原作者观点
  • 本教程默认使用由 so-vits-svc 团队维护的仓库，涉及到的开源代码请自行遵守其开源协议
  • 任何发布到视频平台的基于 sovits 制作的视频，都必须要在简介明确指明用于变声器转换的输入源歌声、音频，例如：使用他人发布的视频或音频，通过分离的人声作为输入源进行转换的，必须要给出明确的原视频、音乐链接；若使用是自己的人声，或是使用其他歌声合成引擎合成的声音作为输入源进行转换的，也必须在简介加以说明。
  • 请确保你制作数据集的数据来源合法合规，且数据提供者明确你在制作什么以及可能造成的后果。由输入源造成的侵权问题需自行承担全部责任和一切后果。使用其他商用歌声合成软件作为输入源时，请确保遵守该软件的使用条例。注意，许多歌声合成引擎使用条例中明确指明不可用于输入源进行转换！
  • 云端训练和推理部分可能涉及资金使用，如果你是未成年人，请在获得监护人的许可与理解后进行，未经许可引起的后续问题，本教程概不负责
  • 本地训练（尤其是在硬件较差的情况下）可能需要设备长时间高负荷运行，请做好设备养护和散热措施
  • 出于设备原因，本教程仅在 Windows 系统下进行过测试，Mac 和 Linux 请确保自己有一定解决问题能力
  • 继续使用视为已同意本仓库 README 所述相关条例，本仓库 README 已进行劝导义务，不对后续可能存在问题负责。

0.2 硬件需求

  1. 训练必须使用 GPU 进行训练！推理目前分为命令行推理和WebUI 推理，对速度要求不高的话 CPU 和 GPU 均可使用。
  2. 如需自己训练，请准备至少 6G 以上专用显存的 NVIDIA 显卡。
  3. 请确保电脑的虚拟内存设置到30G 以上，并且最好设置在固态硬盘，不然会很慢。
  4. 云端训练建议使用 AutoDL 平台。若你会使用 Google Colab，你也可以根据我们提供的 sovits4_for_colab.ipynb 进行配置。

0.3 提前准备

  1. 至少准备约 30 分钟（当然越多越好！）的干净歌声作为训练集，无底噪，无混响。并且歌唱时最好保持音色尽量统一，音域覆盖广（训练集的音域决定模型训练出来的音域！），歌声响度合适，有条件的请做好响度匹配，可以使用 Au 等音频处理软件进行响度匹配。
  2. 重要！请提前下载训练需要用到的底模，参考 2.2.2 预训练底模。
  3. 推理：需准备底噪<30dB，尽量不要带混响和和声的干音进行推理。

Note

须知 1：歌声和语音都可以作为训练集，但语音作为训练集可能使高音和低音推理出现问题（俗称音域问题/哑音），因为一定程度上训练集的音域决定了模型训练出来的音域！。所以如果你最终想实现唱歌，建议使用歌声作为训练集。

须知 2：使用男声模型推理女生演唱的歌曲时，若出现明显哑音，请降调推理（一般是降 12 个半音即一个八度）；同理，使用女声模型推理男生演唱的歌曲时，也可以尝试升调推理。

✨ 2024.3.8 最新建议 ✨：目前 GPT-SoVITS 项目的 TTS 与 so-vits-svc 的文字转语音相比，训练集需求量更小，训练速度更快，效果更好，所以此处建议若想使用语音生成功能，请移步 GPT-SoVITS。也因此，建议大家使用歌声素材作为训练集来训练本项目。

1. 环境依赖

✨ 本项目需要的环境：NVIDIA-CUDA | Python = 3.8.9（项目建议此版本） | Pytorch | FFmpeg

✨ 我写的一个 so-vits-svc 一键配置环境，启动 webUI 的脚本：so-vits-svc-webUI-QuickStart-bat 也可以尝试使用！

1.1 so-vits-svc4.1 源码

你可以任选以下两种方法之一下载或拉取源码：

  1. 从 Github 项目网页端下载源码压缩包。前往 so-vits-svc 官方源码仓库，点击右上角的绿色的 Code 按钮，选择 Download ZIP 下载压缩包。若需要其他分支的代码请先更改分支。下载完成后，解压压缩包到任意目录，该目录将作为你的工作目录。

  2. 使用 git 拉取源码。通过以下命令：

git clone https://github.com/svc-develop-team/so-vits-svc.git

1.2 Python

  • 前往 Python 官网 下载 Python3.10.11 安装并添加系统环境变量。（若使用 conda 配置 python 遇到没有 3.10.11 版本也可以直接选择 3.10）详细安装方法以及添加 Path 此处省略，网上随便一查都有，不再赘述。
# conda配置方法, 将YOUR_ENV_NAME替换成你想要创建的虚拟环境名字。
conda create -n YOUR_ENV_NAME python=3.10 -y
conda activate YOUR_ENV_NAME
# 此后每次执行命令前，请确保处于该虚拟环境下！
  • 安装完成后在 cmd 控制台中输入python出现类似以下内容则安装成功：
Python 3.8.9 (tags/v3.8.9:9d38120, Mar 23 2022, 23:13:41) [MSC v.1929 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>>

关于 Python 版本问题：在进行测试后，我们认为 Python 3.8.9 能够稳定地运行该项目(但不排除高版本也可以运行)。

  • 配置 python 下载镜像源（有国外网络条件可跳过）在控制台执行
# 设置清华大学下载镜像
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
pip config set global.trusted-host pypi.tuna.tsinghua.edu.cn
  • 如果想要还原为默认源，类似的，你仅需要在控制台执行
pip config set global.index-url https://pypi.python.org/simple

python 国内常用镜像源：

# 临时更换
pip install PACKAGE_NAME -i https://pypi.tuna.tsinghua.edu.cn/simple
# 永久更换
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

1.3 Pytorch

Important

✨ 此处建议安装pytorch版本11.7或11.8，12.0及以上版本可能不适用.

  • 我们需要 单独安装 torch, torchaudio, torchvision 这三个库，直接前往 Pytorch 官网 选择所需版本然后复制 Run this Command 栏显示的命令至控制台安装即可。旧版本的 Pyorch 可以从 此处 下载到。
  • 安装完 torch, torchaudio, torchvision 这三个库之后，在 cmd 控制台运用以下命令检测 torch 能否成功调用 CUDA。最后一行出现 True 则成功，出现False 则失败，需要重新安装正确的版本。
python
# 回车运行
import torch
# 回车运行
print(torch.cuda.is_available())
# 回车运行

Note

  1. 如需手动指定 torch 的版本在其后面添加版本号即可，例如 pip install torch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 --index-url https://download.pytorch.org/whl/cu117
  2. 安装 CUDA=11.7 的 Pytorch 时，可能会遇到报错 ERROR: Package 'networkx' requires a different Python: 3.8.9 not in '>=3.9。此时，请先执行 pip install networkx==3.0 ，之后再进行 Pytorch 的安装就不会出现类似报错了。
  3. 由于版本更新，11.7 的 Pytorch 可能复制不到下载链接，你可以直接复制下方的安装命令安装 Pytorch11.7。或前往 此处 下载旧版本。
pip install torch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 --index-url https://download.pytorch.org/whl/cu117

1.4 其他依赖项安装

Important

✨ 在开始其他依赖项安装之前，请务必下载并安装 Visual Studio 2022 或者 Microsoft C++ 生成工具（体积较前者更小）。勾选并安装组件包：“使用 C++的桌面开发”，执行修改并等待其安装完成。

  • 在 1.1 解压得到的项目文件夹内右击空白处选择 在终端中打开 。使用下面的命令先更新一下 pip, wheel, setuptools 这三个包。
pip install --upgrade pip==23.3.2 wheel setuptools
  • 执行下面命令以安装库（若出现报错请多次尝试直到没有报错，依赖全部安装完成）。注意，项目文件夹内含有三个 requirements 的 txt ，此处选择 requirements_win.txt）
pip install -r requirements_win.txt
  • 确保安装 正确无误 后请使用下方命令更新 fastapi, gradio, pydantic 这三个依赖：
pip install --upgrade fastapi==0.84.0
pip install --upgrade pydantic==1.10.12
pip install --upgrade gradio==3.41.2

1.5 FFmpeg

  • 前往 FFmpeg 官网 下载。解压至任意位置并在环境变量中添加 Path 。定位至 .\ffmpeg\bin（详细安装方法以及添加 Path 此处省略，网上随便一查都有，不再赘述）
  • 安装完成后在 cmd 控制台中输入 ffmpeg -version 出现类似以下内容则安装成功：
ffmpeg version git-2020-08-12-bb59bdb Copyright (c) 2000-2020 the FFmpeg developers
built with gcc 10.2.1 (GCC) 20200805
configuration: [此处省略一大堆内容]
libavutil      56. 58.100 / 56. 58.100
libavcodec     58.100.100 / 58.100.100
...[此处省略一大堆内容]

2. 配置及训练

✨ 此部分内容是整个教程文档中最重要的部分，本教程参考了 官方文档，并适当添加了一些解释和说明，便于理解。

✨ 在开始第二部分内容前，请确保电脑的虚拟内存设置到 30G 以上，并且最好设置在固态硬盘。具体设置方法请自行上网搜索。

2.1 关于兼容 4.0 模型的问题

  • 你可以通过修改 4.0 模型的 config.json 对 4.0 的模型进行支持。需要在 config.json 的 model 字段中添加 speech_encoder 字段，具体如下：
  "model":
  {
    # 省略其他内容

    # "ssl_dim"，填256或者768，需要和下面"speech_encoder"匹配
    "ssl_dim": 256,
    # 说话人个数
    "n_speakers": 200,
    # 或者"vec768l12"，但请注意此项的值要和上面的"ssl_dim"相互匹配。即256对应vec256l9，768对应vec768l12。
    "speech_encoder":"vec256l9"
    # 如果不知道自己的模型是vec768l12还是vec256l9，可以看"gin_channels"字段的值来确认。

    # 省略其他内容
  }

2.2 预先下载的模型文件

2.2.1 必须项

Warning

以下编码器必须需选择一个使用：

  • "vec768l12"
  • "vec256l9"
  • "vec256l9-onnx"
  • "vec256l12-onnx"
  • "vec768l9-onnx"
  • "vec768l12-onnx"
  • "hubertsoft-onnx"
  • "hubertsoft"
  • "whisper-ppg"
  • "cnhubertlarge"
  • "dphubert"
  • "whisper-ppg-large"
  • "wavlmbase+"

中国用户可以在这里下载百度网盘转存的模型

编码器 下载地址 放置位置 说明
contentvec（推荐） checkpoint_best_legacy_500.pt 放在pretrain目录下 vec768l12与vec256l9 需要该编码器
hubert_base.pt 将文件名改为 checkpoint_best_legacy_500.pt 后，放在pretrain目录下 与上面的checkpoint_best_legacy_500.pt效果相同，但大小只有 199MB
hubertsoft hubert-soft-0d54a1f4.pt 放在pretrain目录下 so-vits-svc3.0 使用的是该编码器
Whisper-ppg medium.pt 放在pretrain目录下 该模型适配whisper-ppg
whisper-ppg-large large-v2.pt 放在pretrain目录下 该模型适配whisper-ppg-large
cnhubertlarge chinese-hubert-large-fairseq-ckpt.pt 放在pretrain目录下 -
dphubert DPHuBERT-sp0.75.pth 放在pretrain目录下 -
WavLM WavLM-Base+.pt 放在pretrain目录下 下载链接可能存在问题，无法下载
OnnxHubert/ContentVec MoeSS-SUBModel 放在pretrain目录下 -

各编码器的详解

编码器名称 优点 缺点
vec768l12（最推荐） 最还原音色、有大型底模、支持响度嵌入 咬字能力较弱
vec256l9 无特别的优点 不支持扩散模型
hubertsoft 咬字能力较强 音色泄露
whisper-ppg 咬字最强 音色泄露、显存占用高

2.2.2 预训练底模 (强烈建议使用)

  • 预训练底模文件： G_0.pth D_0.pth。放在logs/44k目录下。

  • 扩散模型预训练底模文件： model_0.pt。放在logs/44k/diffusion目录下。

扩散模型引用了DDSP-SVC的 Diffusion Model，底模与DDSP-SVC的扩散模型底模通用。以下提供的底模文件部分来自“羽毛布団”的整合包，在此表示感谢。

提供 4.1 训练底模，请自行下载（需具备外网条件）

中国用户可以在这里下载百度网盘转存的模型

编码器类型 主模型底模 扩散模型底模 说明
vec768l12 G_0.pth, D_0.pth model_0.pt 若仅训练 100 步扩散，即k_step_max = 100，扩散模型请使用model_0.pt
vec768l12（开启响度嵌入） G_0.pth, D_0.pth model_0.pt 若仅训练 100 步扩散，即k_step_max = 100，扩散模型请使用model_0.pt
vec256l9 G_0.pth, D_0.pth 不支持扩散 -
hubertsoft G_0.pth, G_0.pth model_0.pt -
whisper-ppg G_0.pth, D_0.pth model_0.pt -
tiny(vec768l12_vol_emb) G_0.pth, D_0.pth - TINY 是在原版 So-VITS 模型的基础上减少了网络参数，并采用了深度可分离卷积（Depthwise Separable Convolution）和 FLOW 共享参数技术，使得模型的大小明显减小，并且提升了推理速度。TINY 模型是专门设计以用来实时转换的，模型的参数减少意味着其转换效果理论上不如原版模型。目前适用于 So-VITS 的实时转换 GUI 还在开发中，在此之前，如果没有特殊需求，不建议训练 TINY 模型。

Warning

其他未提及的编码器不提供预训练模型，请无底模训练，训练难度可能会大幅提升！

底模及支持性

标准底模 响度嵌入 响度嵌入+TINY 完整扩散 100 步浅扩散
Vec768L12 支持 支持 支持 支持
Vec256L9 支持 不支持 不支持 不支持
hubertsoft 支持 不支持 支持 不支持
whisper-ppg 支持 不支持 支持 不支持

2.2.3 可选项 (根据情况选择)

1. NSF-HIFIGAN

如果使用NSF-HIFIGAN增强器或浅层扩散的话，需要下载预训练的 NSF-HIFIGAN 模型（由OpenVPI提供），如果不需要可以不下载。

2. RMVPE

如果使用rmvpeF0 预测器的话，需要下载预训练的 RMVPE 模型。

  • 下载模型rmvpe.zip，目前首推该权重。
  • 解压缩rmvpe.zip，并将其中的model.pt文件改名为rmvpe.pt并放在pretrain目录下。

3. FCPE(预览版)

FCPE (Fast Context-base Pitch Estimator) 是由 svc-develop-team 自主研发的一款全新的 F0 预测器，是一个为实时语音转换所设计的专用 F0 预测器，他将在未来成为 Sovits 实时语音转换的首选 F0 预测器。

如果使用 fcpe F0 预测器的话，需要下载预训练的 FCPE 模型。

  • 下载模型 fcpe.pt
  • 放在pretrain目录下。

2.3 数据集准备

  1. 按照以下文件结构将数据集放入 dataset_raw 目录。
dataset_raw
├───speaker0
│   ├───xxx1-xxx1.wav
│   ├───...
│   └───Lxx-0xx8.wav
└───speaker1
    ├───xx2-0xxx2.wav
    ├───...
    └───xxx7-xxx007.wav
  1. 可以自定义说话人名称。
dataset_raw
└───suijiSUI
    ├───1.wav
    ├───...
    └───25788785-20221210-200143-856_01_(Vocals)_0_0.wav
  1. 此外还需要在dataset_raw新建并编辑config.json
"n_speakers": 10

"spk":{
    "speaker0": 0,
    "speaker1": 1
}
  • "n_speakers": 10: 数字代表说话人人数，从 1 开始计数，需要和下面的人数对应
  • "speaker0": 0: speaker0 指的是说话人名字，可以更改, 后面的数字 0，1，2...代表说话人计数，从 0 开始计数

2.4 数据预处理

2.4.0 音频切片

  • 将音频切片至5s - 15s, 稍微长点也无伤大雅，实在太长可能会导致训练中途甚至预处理就爆显存。

  • 可以使用 audio-slicer-GUI | audio-slicer-CLI 进行辅助切片。一般情况下只需调整其中的 Minimum Interval，普通说话素材通常保持默认即可，歌唱素材可以调整至 100 甚至 50。

  • 切完之后请手动处理过长（大于 15 秒）或过短（小于 4 秒）的音频，过短的音频可以多段拼接，过长的音频可以手动切分。

Warning

如果你使用 Whisper-ppg 声音编码器进行训练，所有的切片长度必须小于 30s

2.4.1 重采样至 44100Hz 单声道

使用下面的命令（若已经经过响度匹配，请跳过该行看下面的 NOTE）：

python resample.py

Note

虽然本项目拥有重采样、转换单声道与响度匹配的脚本 resample.py，但是默认的响度匹配是匹配到 0db。这可能会造成音质的受损。而 python 的响度匹配包 pyloudnorm 无法对电平进行压限，这会导致爆音。所以建议可以考虑使用专业声音处理软件如 Adobe Audition 等软件做响度匹配处理。此处也可以使用我写的一个响度匹配工具 Loudness Matching Tool 进行处理。若已经使用其他软件做响度匹配，可以在运行上述命令时添加 --skip_loudnorm 跳过响度匹配步骤。如：

python resample.py --skip_loudnorm

2.4.2 自动划分训练集、验证集，以及自动生成配置文件

使用下面的命令（若需要响度嵌入，请跳过该行看下面的使用响度嵌入）：

python preprocess_flist_config.py --speech_encoder vec768l12

speech_encoder 拥有以下七个选择，具体讲解请看 2.2.1 必须项及各编码器的详解。如果省略 speech_encoder 参数，默认值为 vec768l12。

vec768l12
vec256l9
hubertsoft
whisper-ppg
whisper-ppg-large
cnhubertlarge
dphubert

使用响度嵌入

  • 使用响度嵌入后训练出的模型将匹配到输入源响度，否则为训练集响度。
  • 若使用响度嵌入，需要增加--vol_aug参数，比如：
python preprocess_flist_config.py --speech_encoder vec768l12 --vol_aug

2.4.3 配置文件按需求修改

config.json

  • vocoder_name: 选择一种声码器，默认为nsf-hifigan
  • log_interval：多少步输出一次日志，默认为 200
  • eval_interval：多少步进行一次验证并保存一次模型，默认为 800
  • epochs：训练总轮数，默认为 10000，达到此轮数后将自动停止训练
  • learning_rate：学习率，建议保持默认值不要改
  • batch_size：单次训练加载到 GPU 的数据量，调整到低于显存容量的大小即可
  • all_in_mem：加载所有数据集到内存中，某些平台的硬盘 IO 过于低下、同时内存容量 远大于 数据集体积时可以启用
  • keep_ckpts：训练时保留最后几个模型，0为保留所有，默认只保留最后3个

声码器列表

nsf-hifigan
nsf-snake-hifigan

diffusion.yaml

  • cache_all_data：加载所有数据集到内存中，某些平台的硬盘 IO 过于低下、同时内存容量 远大于 数据集体积时可以启用
  • duration：训练时音频切片时长，可根据显存大小调整，注意，该值必须小于训练集内音频的最短时间！
  • batch_size：单次训练加载到 GPU 的数据量，调整到低于显存容量的大小即可
  • timesteps : 扩散模型总步数，默认为 1000。完整的高斯扩散一共 1000 步
  • k_step_max : 训练时可仅训练 k_step_max 步扩散以节约训练时间，注意，该值必须小于timesteps，0 为训练整个扩散模型，注意，如果不训练整个扩散模型将无法使用仅扩散模型推理！

2.4.3 生成 hubert 与 f0

使用下面的命令（若需要训练浅扩散，请跳过该行看下面的浅扩散）：

# 下面的命令使用了rmvpe作为f0预测器，你可以手动进行修改
python preprocess_hubert_f0.py --f0_predictor rmvpe

f0_predictor 拥有六个选择，部分 f0 预测器需要额外下载预处理模型，具体请参考 2.2.3 可选项 (根据情况选择)

crepe
dio
pm
harvest
rmvpe（推荐！）
fcpe

各个 f0 预测器的优缺点

预测器 优点 缺点
pm 速度快，占用低 容易出现哑音
crepe 基本不会出现哑音 显存占用高，自带均值滤波，因此可能会出现跑调
dio - 可能跑调
harvest 低音部分有更好表现 其他音域就不如别的算法了
rmvpe 六边形战士，目前最完美的预测器 几乎没有缺点（极端长低音可能会出错）
fcpe SVC 开发组自研，目前最快的预测器，且有不输 crepe 的准确度 -

Note

  1. 如果训练集过于嘈杂，请使用 crepe 处理 f0
  2. 如果省略 f0_predictor 参数，默认值为 rmvpe

若需要浅扩散功能（可选），需要增加 --use_diff 参数，比如:

# 下面的命令使用了rmvpe作为f0预测器，你可以手动进行修改
python preprocess_hubert_f0.py --f0_predictor rmvpe --use_diff

如果处理速度较为缓慢，或者你的数据集较大，可以加上--num_processes参数：

# 下面的命令使用了rmvpe作为f0预测器，你可以手动进行修改
python preprocess_hubert_f0.py --f0_predictor rmvpe --num_processes 8
# 所有的Workers会被自动分配到多个线程上

执行完以上步骤后生成的 dataset 目录便是预处理完成的数据，此时你可以按需删除 dataset_raw 文件夹了。

2.5 训练

2.5.1 主模型训练（必须）

使用下面的命令训练主模型，训练暂停后也可使用下面的命令继续训练。

python train.py -c configs/config.json -m 44k

2.5.2 扩散模型（可选）

  • So-VITS-SVC 4.1 的一个重大更新就是引入了浅扩散 (Shallow Diffusion) 机制，将 SoVITS 的原始输出音频转换为 Mel 谱图，加入噪声并进行浅扩散处理后经过声码器输出音频。经过测试，原始输出音频在经过浅扩散处理后可以显著改善电音、底噪等问题，输出质量得到大幅增强。
  • 尚若需要浅扩散功能，需要训练扩散模型，训练前请确保你已经下载并正确放置好了 NSF-HIFIGAN （参考 2.2.3 可选项）,并且预处理生成 hubert 与 f0 时添加了 --use_diff 参数（参考 2.4.3 生成 hubert 与 f0）

扩散模型训练方法为:

python train_diff.py -c configs/diffusion.yaml

模型训练结束后，模型文件保存在logs/44k目录下，扩散模型在logs/44k/diffusion下。

Important

模型怎样才算训练好了？

  1. 这是一个非常无聊且没有意义的问题。就好比上来就问老师我家孩子怎么才能学习好，除了你自己，没有人能回答这个问题。
  2. 模型的训练关联于你的数据集质量、时长，所选的编码器、f0 算法，甚至一些超自然的玄学因素，即便你有一个成品模型，最终的转换效果也要取决于你的输入源以及推理参数。这不是一个线性的的过程，之间的变量实在是太多，所以你非得问“为什么我的模型出来不像啊”、“模型怎样才算训练好了”这样的问题，我只能说 WHO F**KING KNOWS?
  3. 但也不是一点办法没有，只能烧香拜佛了。我不否认烧香拜佛当然是一个有效的手段，但你也可以借助一些科学的工具，例如 Tensorboard 等，下方 2.5.3 就将教你怎么通过看 Tensorboard 来辅助了解训练状态，当然，最强的辅助工具其实长在你自己身上，一个声学模型怎样才算训练好了? 塞上耳机，让你的耳朵告诉你吧。

Epoch 和 Step 的关系：

训练过程中会根据你在 config.json 中设置的保存步数（默认为 800 步，与 eval_interval 的值对应）保存一次模型。 请严格区分轮数 (Epoch) 和步数 (Step)：1 个 Epoch 代表训练集中的所有样本都参与了一次学习，1 Step 代表进行了一步学习，由于 batch_size 的存在，每步学习可以含有数条样本，因此，Epoch 和 Step 的换算如下：

$$ Epoch = \frac{Step}{(\text{数据集条数}{\div}batch_size)} $$

训练默认 10000 轮后结束（可以通过修改config.json中的epoch字段的数值来增加或减小上限），但正常训练通常只需要数百轮即可有较好的效果。当你觉得训练差不多完成了，可以在训练终端按 Ctrl + C 中断训练。中断后只要没有重新预处理训练集，就可以 从最近一次保存点继续训练。

2.5.3 Tensorboard

你可以用 Tensorboard 来查看训练过程中的损失函数值 (loss) 趋势，试听音频，从而辅助判断模型训练状态。但是，就 So-VITS-SVC 这个项目而言，损失函数值(loss)并没有什么实际参考意义（你不用刻意对比研究这个值的高低），真正有参考意义的还是推理后靠你的耳朵来听！

  • 使用下面的命令打开 Tensorboard：
tensorboard --logdir=./logs/44k

Tensorboard 是根据训练时默认每 200 步的评估生成日志的，如果训练未满 200 步，则 Tensorboard 中不会出现任何图像。200 这个数值可以通过修改 config.json 中的 log_interval 值来修改。

  • Losses 详解

你不需要理解每一个 loss 的具体含义，大致来说：

  • loss/g/f0、loss/g/mel 和 loss/g/total 应当是震荡下降的，并最终收敛在某个值
  • loss/g/kl 应当是低位震荡的
  • loss/g/fm 应当在训练的中期持续上升，并在后期放缓上升趋势甚至开始下降

Important

✨ 观察 losses 曲线的趋势可以帮助你判断模型的训练状态。但 losses 并不能作为判断模型训练状态的唯一参考，甚至它的参考价值其实并不大，你仍需要通过自己的耳朵来判断模型是否训练好了。

Warning

  1. 对于小数据集（30 分钟甚至更小），在加载底模的情况下，不建议训练过久，这样是为了尽可能利用底模的优势。数千步甚至数百步就能有最好的结果。
  2. Tensorboard 中的试听音频是根据你的验证集生成的，无法代表模型最终的表现。

3. 推理

✨ 推理时请先准备好需要推理的干声，确保干声无底噪/无混响/质量较好。你可以使用 UVR5 进行处理,得到干声。此外，我也制作了一个 UVR5 人声分离教程。

3.1 命令行推理

使用 inference_main.py 进行推理

# 例
python inference_main.py -m "logs/44k/G_30400.pth" -c "configs/config.json" -n "你的推理音频.wav" -t 0 -s "speaker"

必填项部分：

  • -m | --model_path：模型路径
  • -c | --config_path：配置文件路径
  • -n | --clean_names：wav 文件名列表，放在 raw 文件夹下
  • -t | --trans：音高调整，支持正负（半音）
  • -s | --spk_list：合成目标说话人名称
  • -cl | --clip：音频强制切片，默认 0 为自动切片，单位为秒/s。

Note

音频切片

  • 推理时，切片工具会将上传的音频根据静音段切分为数个小段，分别推理后合并为完整音频。这样做的好处是小段音频推理显存占用低，因而可以将长音频切分推理以免爆显存。切片阈值参数控制的是最小满刻度分贝值，低于这个值将被切片工具视为静音并去除。因此，当上传的音频比较嘈杂时，可以将该参数设置得高一些（如 -30），反之，可以将该值设置得小一些（如 -50）避免切除呼吸声和细小人声。

  • 开发团队近期的一项测试表明，较小的切片阈值（如-50）会改善输出的咬字，至于原理暂不清楚。

强制切片 -cl | --clip

  • 推理时，切片工具会将上传的音频根据静音段切分为数个小段，分别推理后合并为完整音频。但有时当人声过于连续，长时间不存在静音段时，切片工具也会相应切出来过长的音频，容易导致爆显存。自动音频切片功能则是设定了一个最长音频切片时长，初次切片后，如果存在长于该时长的音频切片，将会被按照该时长二次强制切分，避免了爆显存的问题。
  • 强制切片可能会导致音频从一个字的中间切开，分别推理再合并时可能会存在人声不连贯。你需要在高级设置中设置强制切片的交叉淡入长度来避免这一问题。

可选项部分：部分具体见下一节

  • -lg | --linear_gradient：两段音频切片的交叉淡入长度，如果强制切片后出现人声不连贯可调整该数值，如果连贯建议采用默认值 0，单位为秒
  • -f0p | --f0_predictor：选择 F0 预测器，可选择 crepe,pm,dio,harvest,rmvpe,fcpe, 默认为 pm（注意：crepe 为原 F0 使用均值滤波器），不同 F0 预测器的优缺点请 参考 2.4.3 中的 F0 预测器的优缺点
  • -a | --auto_predict_f0：语音转换自动预测音高，转换歌声时不要打开这个会严重跑调
  • -cm | --cluster_model_path：聚类模型或特征检索索引路径，留空则自动设为各方案模型的默认路径，如果没有训练聚类或特征检索则随便填
  • -cr | --cluster_infer_ratio：聚类方案或特征检索占比，范围 0-1，若没有训练聚类模型或特征检索则默认 0 即可
  • -eh | --enhance：是否使用 NSF_HIFIGAN 增强器，该选项对部分训练集少的模型有一定的音质增强效果，但是对训练好的模型有反面效果，默认关闭
  • -shd | --shallow_diffusion：是否使用浅层扩散，使用后可解决一部分电音问题，默认关闭，该选项打开时，NSF_HIFIGAN 增强器将会被禁止
  • -usm | --use_spk_mix：是否使用角色融合/动态声线融合
  • -lea | --loudness_envelope_adjustment：输入源响度包络替换输出响度包络融合比例，越靠近 1 越使用输出响度包络
  • -fr | --feature_retrieval：是否使用特征检索，如果使用聚类模型将被禁用，且 cm 与 cr 参数将会变成特征检索的索引路径与混合比例

Note

聚类模型/特征检索混合比例 -cr | --cluster_infer_ratio

  • 该参数控制的是使用聚类模型/特征检索模型时线性参与的占比。聚类模型和特征检索均可以有限提升音色相似度，但带来的代价是会降低咬字准确度（特征检索的咬字比聚类稍好一些）。该参数的范围为 0-1, 0 为不启用，越靠近 1, 则音色越相似，咬字越模糊。
  • 聚类模型和特征检索共用这一参数，当加载模型时使用了何种模型，则该参数控制何种模型的混合比例。
  • 注意，当未加载聚类模型或特征检索模型时，请保持改参数为 0，否则会报错。

浅扩散设置：

  • -dm | --diffusion_model_path：扩散模型路径
  • -dc | --diffusion_config_path：扩散模型配置文件路径
  • -ks | --k_step：扩散步数，越大越接近扩散模型的结果，默认 100
  • -od | --only_diffusion：纯扩散模式，该模式不会加载 sovits 模型，以扩散模型推理
  • -se | --second_encoding：二次编码，浅扩散前会对原始音频进行二次编码，玄学选项，有时候效果好，有时候效果差

Note

关于浅扩散步数 -ks | --k_step

完整的高斯扩散为 1000 步，当浅扩散步数达到 1000 步时，此时的输出结果完全是扩散模型的输出结果，So-VITS 模型将被抑制。浅扩散步数越高，越接近扩散模型输出的结果。如果你只是想用浅扩散去除电音底噪，尽可能保留 So-VITS 模型的音色，浅扩散步数可以设定为 30-50

Warning

如果使用 whisper-ppg 声音编码器进行推理，需要将 --clip 设置为 25，-lg 设置为 1。否则将无法正常推理。

3.2 webUI 推理

使用以下命令打开 webui 界面，上传模型并且加载，按照说明按需填写推理，上传推理音频，开始推理。

参数具体的推理参数的详解和上面的 3.1 命令行推理 参数一致，只不过搬到了交互式界面上去，并且附有简单的说明。

python webUI.py

Warning

请务必查看 命令行推理 以了解具体参数的含义。并且请特别注意 NOTE 和 WARNING 中的提醒！

webUI 中还内置了 文本转语音 功能：

  • 文本转语音使用微软的 edge_TTS 服务生成一段原始语音，再通过 So-VITS 将这段语音的声线转换为目标声线。So-VITS 只能实现歌声转换 (SVC) 功能，没有任何 原生 的文本转语音 (TTS) 功能！由于微软的 edge_TTS 生成的语音较为僵硬，没有感情，所有转换出来的音频当然也会这一。如果你需要有感情的 TTS 功能，请移步 GPT-SoVITS 项目。
  • 目前文本转语音共支持 55 种语言，涵盖了大部分常见语言。程序会根据文本框内输入的文本自动识别语言并转换。
  • 自动识别只能识别到语种，而某些语种可能涵盖不同的口音，说话人，如果使用了自动识别，程序会从符合该语种和指定性别的说话人种随机挑选一个来转换。如果你的目标语种说话人口音比较多（例如英语），建议手动指定一个口音的说话人。如果手动指定了说话人，则先前手动选择的性别会被抑制。

4. 增强效果的可选项

✨ 如果前面的效果已经满意，或者没看明白下面在讲啥，那后面的内容都可以忽略，不影响模型使用(这些可选项影响比较小，可能在某些特定数据上有点效果，但大部分情况似乎都感知不太明显)

4.1 自动 f0 预测

模型训练过程会训练一个 f0 预测器，是一个自动变调的功能，可以将模型音高匹配到推理源音高，用于说话声音转换时可以打开，能够更好匹配音调。但转换歌声时请不要启用此功能！！！会严重跑调！！

  • 命令行推理：在 inference_main 中设置 auto_predict_f0 为 true 即可
  • webUI 推理：勾选相应选项即可

4.2 聚类音色泄漏控制

聚类方案可以减小音色泄漏，使得模型训练出来更像目标的音色（但其实不是特别明显），但是单纯的聚类方案会降低模型的咬字（会口齿不清）（这个很明显），本模型采用了融合的方式，可以线性控制聚类方案与非聚类方案的占比，也就是可以手动在"像目标音色" 和 "咬字清晰" 之间调整比例，找到合适的折中点。

使用聚类前面的已有步骤不用进行任何的变动，只需要额外训练一个聚类模型，虽然效果比较有限，但训练成本也比较低。

  • 训练方法：
# 使用CPU训练：
python cluster/train_cluster.py
# 或者使用GPU训练：
python cluster/train_cluster.py --gpu

训练结束后，模型的输出会在 logs/44k/kmeans_10000.pt

  • 命令行推理过程：
    • inference_main.py 中指定 cluster_model_path
    • inference_main.py 中指定 cluster_infer_ratio，0为完全不使用聚类，1为只使用聚类，通常设置0.5即可
  • webUI 推理过程：
    • 上传并加载聚类模型
    • 设置聚类模型/特征检索混合比例，0-1 之间，0 即不启用聚类/特征检索。使用聚类/特征检索能提升音色相似度，但会导致咬字下降（如果使用建议 0.5 左右）

4.3 特征检索

跟聚类方案一样可以减小音色泄漏，咬字比聚类稍好，但会降低推理速度，采用了融合的方式，可以线性控制特征检索与非特征检索的占比。

  • 训练过程：需要在生成 hubert 与 f0 后执行：
python train_index.py -c configs/config.json

训练结束后模型的输出会在 logs/44k/feature_and_index.pkl

  • 命令行推理过程：
    • 需要首先制定 --feature_retrieval，此时聚类方案会自动切换到特征检索方案
    • inference_main.py 中指定 cluster_model_path 为模型输出文件
    • inference_main.py 中指定 cluster_infer_ratio，0为完全不使用特征检索，1为只使用特征检索，通常设置0.5即可
  • webUI 推理过程：
    • 上传并加载聚类模型
    • 设置聚类模型/特征检索混合比例，0-1 之间，0 即不启用聚类/特征检索。使用聚类/特征检索能提升音色相似度，但会导致咬字下降（如果使用建议 0.5 左右）

4.4 声码器微调

在 So-VITS 中使用扩散模型时，经过扩散模型增强的 Mel 谱图会经过声码器（Vocoder）输出为最终音频。声码器在其中对输出音频的音质起到了决定性的作用。So-VITS-SVC 目前使用的是 NSF-HiFiGAN 社区声码器，实际上，你也可以用你自己的数据集对该声码器模型进行微调训练，在 So-VITS 的 扩散流程 中使用微调后的声码器，使其更符合你的模型任务。

SingingVocoders 项目提供了对声码器的微调方法，在 Diffusion-SVC 项目中，使用微调声码器可以使输出音质得到大幅增强。你也可以自行使用自己的数据集训练一个微调声码器，并在本整合包中使用。

  1. 使用 SingingVocoders 训练一个微调声码器，并获得其模型和配置文件
  2. 将模型和配置文件放置在 pretrain/{微调声码器名称}/ 下
  3. 修改对应模型的扩散模型配置文件diffusion.yaml中的如下内容：
vocoder:
  ckpt: pretrain/nsf_hifigan/model.ckpt # 此行是你的微调声码器的模型路径
  type: nsf-hifigan # 此行是微调声码器的类型，如果不知道请不要修改
  1. 按照 3.2 webui 推理，上传扩散模型和修改后的扩散模型配置文件，即可使用微调声码器。

Warning

目前仅 NSF-HiFiGAN 声码器支持微调

4.5 各模型保存的目录

截止上文，一共能够训练的 4 种模型都已经讲完了，下表总结为这四种模型和配置文件的总结。

webUI 中除了能够上传模型进行加载以外，也可以读取本地模型文件。你只需将下表这些模型先放入到一个文件夹内，再将该文件夹放到 trained 文件夹内，点击“刷新本地模型列表”，即可被 webUI 识别到。然后手动选择需要加载的模型进行加载即可。注意：本地模型自动加载可能无法正常加载下表中的（可选）模型。

文件 文件名及后缀 存放位置
So-VITS 模型 G_xxxx.pth logs/44k
So-VITS 模型配置文件 config.json configs
扩散模型（可选） model_xxxx.pt logs/44k/diffusion
扩散模型配置文件（可选） diffusion.yaml configs
Kmeans 聚类模型（可选） kmeans_10000.pt logs/44k
特征索引模型（可选） feature_and_index.pkl logs/44k

5.其他可选功能

✨ 此部分相较于前面的其他部分，重要性更低。除了 5.1 模型压缩 是一个较为方便的功能以外，其余可选功能用到的概率较低，故此处仅参考官方文档并加以简单描述。

5.1 模型压缩

生成的模型含有继续训练所需的信息。如果确认不再训练，可以移除模型中此部分信息，得到约 1/3 大小的最终模型。

使用 compress_model.py

# 例如，我想压缩一个在logs/44k/目录下名字为G_30400.pth的模型，并且配置文件为configs/config.json，可以运行如下命令
python compress_model.py -c="configs/config.json" -i="logs/44k/G_30400.pth" -o="logs/44k/release.pth"
# 压缩后的模型保存在logs/44k/release.pth

Warning

注意：压缩后的模型无法继续训练！

5.2 声线混合

5.2.1 静态声线混合

参考 webUI.py 文件中，小工具/实验室特性的静态声线融合。

该功能可以将多个声音模型合成为一个声音模型(多个模型参数的凸组合或线性组合)，从而制造出现实中不存在的声线。

注意：

  1. 该功能仅支持单说话人的模型
  2. 如果强行使用多说话人模型，需要保证多个模型的说话人数量相同，这样可以混合同一个 SpaekerID 下的声音
  3. 保证所有待混合模型的 config.json 中的 model 字段是相同的
  4. 输出的混合模型可以使用待合成模型的任意一个 config.json，但聚类模型将不能使用
  5. 批量上传模型的时候最好把模型放到一个文件夹选中后一起上传
  6. 混合比例调整建议大小在 0-100 之间，也可以调为其他数字，但在线性组合模式下会出现未知的效果
  7. 混合完毕后，文件将会保存在项目根目录中，文件名为 output.pth
  8. 凸组合模式会将混合比例执行 Softmax 使混合比例相加为 1，而线性组合模式不会

5.2.2 动态声线混合

参考 spkmix.py 文件中关于动态声线混合的介绍

角色混合轨道编写规则：

  • 角色 ID : [[起始时间 1, 终止时间 1, 起始数值 1, 起始数值 1], [起始时间 2, 终止时间 2, 起始数值 2, 起始数值 2]]
  • 起始时间和前一个的终止时间必须相同，第一个起始时间必须为 0，最后一个终止时间必须为 1 （时间的范围为 0-1）
  • 全部角色必须填写，不使用的角色填[[0., 1., 0., 0.]]即可
  • 融合数值可以随便填，在指定的时间段内从起始数值线性变化为终止数值，内部会自动确保线性组合为 1（凸组合条件），可以放心使用

命令行推理的时候使用 --use_spk_mix 参数即可启用动态声线混合。webUI 推理时勾选“动态声线融合”选项框即可。

5.3 Onnx 导出

使用 onnx_export.py。目前 onnx 模型只有 MoeVoiceStudio 需要使用到。更详细的操作和使用方法请移步 MoeVoiceStudio 仓库说明。

  • 新建文件夹：checkpoints 并打开
  • 在checkpoints文件夹中新建一个文件夹作为项目文件夹，文件夹名为你的项目名称，比如aziplayer
  • 将你的模型更名为model.pth，配置文件更名为config.json，并放置到刚才创建的aziplayer文件夹下
  • 将 onnx_export.py 中path = "NyaruTaffy" 的 "NyaruTaffy" 修改为你的项目名称，path = "aziplayer" (onnx_export_speaker_mix，为支持角色混合的onnx导出)
  • 运行 python onnx_export.py
  • 等待执行完毕，在你的项目文件夹下会生成一个model.onnx，即为导出的模型

注意：Hubert Onnx 模型请使用 MoeVoiceStudio 提供的模型，目前无法自行导出（fairseq 中 Hubert 有不少 onnx 不支持的算子和涉及到常量的东西，在导出时会报错或者导出的模型输入输出 shape 和结果都有问题）

6. 简单混音处理及成品导出

使用音频宿主软件处理推理后音频，请参考配套视频教程或其他更专业的混音教程。

附录：常见报错的解决办法

✨ 部分报错及解决方法，来自 羽毛布団 大佬的 相关专栏 | 相关文档

关于爆显存

如果你在终端或 WebUI 界面的报错中出现了这样的报错:

OutOfMemoryError: CUDA out of memory.Tried to allocate XX GiB (GPU O: XX GiB total capacity; XX GiB already allocated; XX MiB Free: XX GiB reserved in total by PyTorch)

不要怀疑，你的显卡显存或虚拟内存不够用了。以下是 100%解决问题的解决方法，照着做必能解决。请不要再在各种地方提问这个问题了

  1. 在报错中找到 XX GiB already allocated 之后，是否显示 0 bytes free，如果是 0 bytes free 那么看第 2，3，4 步，如果显示 XX MiB free 或者 XX GiB free，看第 5 步
  2. 如果是预处理的时候爆显存:
    • 换用对显存占用友好的 f0 预测器 (友好度从高到低: pm >= harvest >= rmvpe ≈ fcpe >> crepe)，建议首选 rmvpe 或 fcpe
    • 多进程预处理改为 1
  3. 如果是训练的时候爆显存
    • 检查数据集有没有过长的切片（20 秒以上）
    • 调小批量大小 (batch size)
    • 更换一个占用低的项目
    • 去 AutoDL 等云算力平台上面租一张大显存的显卡跑
  4. 如果是推理的时候爆显存:
    • 推理源 (千声) 不干净 (有残留的混响，伴奏，和声)，导致自动切片切不开。提取干声最佳实践请参考 UVR5 歌曲人声分离教程
    • 调大切片闽值 (比如-40 调成-30，再大就不建议了，你也不想唱一半就被切一刀吧)
    • 设置强制切片，从 60 秒开始尝试，每次减小 10 秒，直到能成功推理
    • 使用 cpu 推理，速度会很慢但是不会爆显存
  5. 如果显示仍然有空余显存却还是爆显存了，是你的虚拟内存不够大，调整到至少 50G 以上

安装依赖时出现的相关报错

1. 安装 CUDA=11.7 的 Pytorch 时报错

ERROR: Package 'networkx' requires a different Python: 3.8.9 not in '>=3.9

解决方法有两种：

  • 升级 python 至 3.10.11，其余操作不变。
  • （建议）保持 python 版本不变，先 pip install networkx==3.0 之后再进行 Pytorch 的安装。

2. 依赖找不到导致的无法安装

出现类似以下报错时：

ERROR: Could not find a version that satisfies the requirement librosa==0.9.1 (from versions: none)
ERROR: No matching distribution found for librosa==0.9.1
# 报错的主要特征是
No matching distribution found for xxxxx
Could not find a version that satisfies the requirement xxxx

具体解决方法为：更换安装源。手动安装这一依赖时添加下载源，以下是两个常用的镜像源地址

使用 pip install [包名称] -i [下载源地址] ，例如我想在阿里源下载 librosa 这个依赖，并且要求依赖版本是 0.9.1，那么应该在 cmd 中输入以下命令：

pip install librosa==0.9.1 -i http://mirrors.aliyun.com/pypi/simple

3. pip 版本过高导致部分依赖无法安装

2024.6.21 日，pip 更新到了 24.1 版本，仅仅使用pip install --upgrade pip会使得 pip 的版本更新到 24.1，而部分依赖需要使用 pip 23.0 才能安装，因此需要手动降级 pip 版本。目前已知：hydra-core，omegaconf，fastapi 会受到此影响，具体表现为安装时出现下面的错误：

Please use pip<24.1 if you need to use this version.
INFO: pip is looking at multiple versions of hydra-core to determine which version is compatible with other requirements. This could take a while.
ERROR: Cannot install -r requirements.txt (line 20) and fairseq because these package versions have conflicting dependencies.

The conflict is caused by:
    fairseq 0.12.2 depends on omegaconf<2.1
    hydra-core 1.0.7 depends on omegaconf<2.1 and >=2.0.5

To fix this you could try to:
1. loosen the range of package versions you've specified
2. remove package versions to allow pip to attempt to solve the dependency conflict

解决方法为：在1.5 其他依赖项安装时，先限制 pip 版本再进行依赖的安装，使用下面的命令限制

pip install --upgrade pip==23.3.2 wheel setuptools

运行完成后，再进行其他依赖项的安装。

数据集预处理和模型训练时的相关报错

1. 报错：UnicodeDecodeError: 'utf-8' codec can't decode byte 0xd0 in position xx

  • 数据集文件名中不要包含中文或日文等非西文字符，特别注意中文括号，逗号，冒号，分号，引号等等都是不行的。改完名字一定要重新预处理，然后再进行训练！！！

2. 报错：The expand size of the tensor (768) must match the existing size (256) at non-singleton dimension 0.

  • 把 dataset/44k 下的内容全部删了，重新走一遍预处理流程

3. 报错：RuntimeError: DataLoader worker (pid(s) 13920) exited unexpectedly

raise RuntimeError(f'DataLoader worker (pid(s) {pids_str}) exited unexpectedly') from e
RuntimeError: DataLoader worker (pid(s) 13920) exited unexpectedly
  • 调小 batchsize 值，调大虚拟内存，重启电脑清理显存，直到 batchsize 值和虚拟内存合适不报错为止

4. 报错：torch.multiprocessing.spawn.ProcessExitedException: process 0 terminated with exit code 3221225477

  • 调大虚拟内存，调小 batchsize 值，直到 batchsize 值和虚拟内存合适不报错为止

5. 报错：AssertionError: CPU training is not allowed.

  • 没有解决方法：非 N 卡跑不了。（也不是完全跑不了，但如果你是纯萌新的话，那我的回答确实就是：跑不了）

6. 报错：FileNotFoundError: No such file or directory: 'pretrain/rmvpe.pt'

  • 运行python preprocess_hubert_f0.py --f0_predictor rmvpe --use_diff 后出现 FileNotFoundError: No such file or directory: 'pretrain/rmvpe.pt'
  • 因为官方更新了 rmvpe 预处理器来处理 f0，请参考教程文档 #2.2.3 下载预处理模型rmvpe.pt并放到对应位置。

7. 报错：页面文件太小，无法完成操作。

  • 调大虚拟内存，具体的方法各种地方一搜就能搜到，不展开了

使用 WebUI 时相关报错

1. webUI 启动或加载模型时：

  • 启动 webUI 时报错：ImportError: cannot import name 'Schema' from 'pydantic'
  • webUI 加载模型时报错：AttributeError("'Dropdown' object has no attribute 'update'")
  • 凡是报错中涉及到 fastapi, gradio, pydantic 这三个依赖的报错

解决方法：

  • 需限制部分依赖版本，在安装完 requirements_win.txt 后，在 cmd 中依次输入以下命令以更新依赖包：
pip install --upgrade fastapi==0.84.0
pip install --upgrade gradio==3.41.2
pip install --upgrade pydantic==1.10.12

2. 报错：Given groups=1, weight of size [xxx, 256, xxx], expected input[xxx, 768, xxx] to have 256 channels, but got 768 channels instead 或 报错: 配置文件中的编码器与模型维度不匹配

  • 原因：v1 分支的模型用了 vec768 的配置文件，如果上面报错的 256 的 768 位置反过来了那就是 vec768 的模型用了 v1 的配置文件。
  • 解决方法：检查配置文件中的 ssl_dim 一项，如果这项是 256，那你的 speech_encoder 应当修改为 vec256|9，如果是 768，则是 vec768|12
  • 详细修改方法请参考 #2.1

3. 报错：'HParams' object has no attribute 'xxx'

  • 无法找到音色，一般是配置文件和模型没对应，打开配置文件拉到最下面看看有没有你训练的音色

感谢名单