Нейросетевые каверы для чайников
Дмитрий Новиков (@govnokoder)Суть
Пару недель назад я захотел сделать кавер с одним определённым голосом на какую-нибудь популярную песню.
tl;dr всё получилось и ниже вы узнаете, как повторить такой результат:
Быстрое гугление выдаёт несколько онлайновых сервисов, в которых либо можно выбрать из списка уже обученных моделей, либо это дорого, долго и вне моего контроля над генерацией.
Если допустить немного пердолинга, то есть инструмент для локальной установки с простым веб-интерфейсом и кнопкой "Generate".
Но для полноценной работы ему требуются обученные голосовые модели в формате RVC (об этом ниже), функционала обучения в нём нет.
Ещё немного поисков выдают вариации такого колаба:
Для обучения нужно оплатить подписку Colab Pro, иначе процесс будет прибит сервером с ошибкой "недопустимая инструкция для бесплатного аккаунта". Я покупал подписку здесь.
Этого уже достаточно для создания каверов со своими голосовыми моделями. Первые каверы я делал именно так. Если хотите улучшить качество генерации или оптимизировать сам процесс, то переходите к следующему пункту.
Как это работает
Realistic Voice Cloning (реалистичное копирование голоса) или RVC работает по вполне понимаемому алгоритму.
При обучении:
• дорожка с голосом, который нужно скопировать, нарезается на короткие отрезки
• эти отрезки сортируются по высоте тона, тембру и эмоциям или настроению (используется нейросетевой инструмент оценки эмоциональности)
• результат собирается в базу данных и индексируется
При копировании голоса:
• заменяемая звуковая дорожка тоже нарезается на короткие отрезки
• эти куски анализируются и подбирается наиболее подходящий аналог из базы данных (модели) обученного голоса
• подобранному кусочку меняется высота тона, скорость воспроизведения и, если точного аналога не найдено, накладывается "акцент" для создания похожего звука
• результат сшивается в цельную звуковую дорожку
Конечно "под капотом" всё устроено значительно сложнее, но принцип понятен.
Устанавливаем скрипты для обучения локально
Всё необходимое можно взять отсюда.
Если умеете пользоваться гитом и командной строкой, то можете сразу перейти к пункту про обучение модели. Ниже будет подробная инструкция по установке.
Требования к железу:
• компьютер с Windows или Linux
• дискретная видеокарта с 8 ГБ памяти или больше (поддерживаются NVIDIA, AMD и Intel)
Git
Пользователи линукса разберутся сами, остальным качать отсюда.
Из важных флагов установки только этот:
После запустите командную строку (Win+R > powershell > Enter) и проверьте правильность установки командой:
git -v
Должно быть что-то типа этого:
Теперь командную строку можно закрыть.
Python
Установим python версии 3.9 (это нужно для инструмента генерации в будущем) отсюда (внизу страницы):
При установке необходимо отметить эти опции:
Ещё раз запускаем командную строку и проверяем правильность установки:
python --version
FFmpeg
Качаем отсюда архив:
И распаковываем в любую папку. В моём случае C:\ffmpeg и файл ffmpeg.exe находится по адресу C:\ffmpeg\bin\ffmpeg.exe
Почти готово, нужно только добавить путь к ffmpeg в переменную path.
Нажимаем Win и начинаем вводить "изменение переменных среды":
В системных переменных выбираем Path и нажимаем "Изменить..."
Создаём новую переменную с путём до файла ffmpeg.exe
Опять открываем командную строку и проверяем правильность установки:
ffmpeg
Непосредственно установка
Создайте на диске папку, где будет размещаться софт для обучения модели. У меня это C:\AIcovers (обойдитесь без пробелов в именах папок, это упростит работу в будущем).
Откройте командную строку и перейдите в только что созданную папку.
cd C:\AIcovers
Клонируем этот репозиторий в папку train командой:
git clone https://github.com/RVC-Project/Retrieval-based-Voice-Conversion-WebUI.git train
Переходим в папку train:
cd train
Устанавливаем необходимые библиотеки:
pip install torch torchvision torchaudio
Для связки Windows и карт RTX30xx нужно выполнить:
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117
Для варианта Linux и AMD:
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/rocm5.4.2
Далее выберите свой вариант
Карта NVIDIA:
pip install -r requirements.txt
Windows и карта AMD или Intel:
pip install -r requirements-dml.txt
Linux и карта Intel:
pip install -r requirements-ipex.txt
Linux и AMD:
pip install -r requirements-amd.txt
Осталось скачать предобученные модели для обработки звука.
Выполните команду:
python tools/download_models.py
Готово. Запускаем командой:
python infer-web.py
И у нас автоматически должно открыться окно браузера с интерфейсом
Если видите это — поздравляю, вы всё сделали правильно. Читайте дальше, чтобы понять, как этим пользоваться.
Обучаем голосовую модель
В интерфейсе переходим на вкладку "Обучение модели":
Нужно подготовить данные для обучения модели.
Задайте название для модели голоса:
Создайте на диске папку и положите в неё один или несколько файлов с записью голоса. Это должны быть аудиофайлы почти в любом формате. Точно поддерживаются wav, mp3 и m4a.
Голос должен быть максимально очищен от шумов и фоновой музыки. Не должно быть посторонних звуков, которые человек не может издавать ртом.
Для редактирования звука можно воспользоваться бесплатным редактором Audacity.
Введите адрес к папке с аудиозаписями в это поле:
Если в пути к этой папке есть пробелы, то добавьте кавычки:
Нажмите кнопку "Обработать данные" и дождитесь сообщения "end preprocess" в поле справа от кнопки.
Следующая операция выполняется немного дольше. Сперва выберите алгоритм обработки данных (извлечения черт):
Лучшее качество дают rmvpe и rmvpe_gpu. Они по-разному нагружают видеокарту и центральный процессор. Я так и не понял, какой лучше, поэтому выбираю второй.
Нажмите кнопку "Извлечь черты" и дождитесь сообщения "all-feature-done" в поле справа от кнопки.
В последнем пункте задайте число "эпох обучения".
Рекомендуется задавать такие значения:
• 20-30 для исходника низкого качества с высоким уровнем шума, большее число не улучшит качества обучения
• ~200 для датасета высокого качества, с низким уровнем фонового шума и достаточной продолжительностью (10 минут и более)
Этот параметр влияет на использование видеопамяти:
Рекомендаций по оптимальному значению не дам, подбирайте экспериментально для каждого датасета, чтобы расход видеопамяти не вылезал за общий её объём, иначе будет использована системная ОЗУ (та самая DDR на материнской плате) и вместо ускорения обучения вы получите замедление.
Нажимайте кнопку "Обучить модель" и ждите окончания процесса. Как и в предыдущих этапах в правом поле будет отображаться результат. В консоли можете следить за ходом процесса:
Медленно, можно быстрее:
Дожидаемся окончания обучения.
Теперь нажимаем кнопку "Обучить индекс черт" и ждём ещё немного.
Заходим в папку с нажим скриптом и по пути assets\weights находим файл *имя-модели*.pth (в моём случае my-voice.pth) и копируем его в отдельную папку.
Теперь по пути logs\*имя-модели* (в моём случае logs\my-voice) находим файл с именем формата added_IVFxxx_Flat_nprobe_1_*имя-модели*_v2.index (у меня это added_IVF2050_Flat_nprobe_1_my-voice_v2.index) и копируем его в папку к файлу .pth из предыдущего пункта.
Запакуйте оба файла в архив zip с любым именем. Можно использовать встроенный инструмент Windows из контекстного меню:
Или значительно более быстрый бесплатный 7zip.
Поздравляю, этот архив и есть нужная голосовая модель в формате RVC.
Замена голоса в треках
Предыдущий инструмент, который мы использовали для тренировки модели, вполне подходит для генерации новых треков, но удобство использования у него на очень низком уровне. Обещаю внести свой вклад в исправление этого недостатка. А пока установим намного более дружелюбный инструмент.
Установка
Для начала установим необходимый sox.
Установите его и добавьте в переменные среды путь к папке установки, как мы делали в прошлый раз для FFmpeg:
Откройте командную строку и проверьте правильность установки командой:
sox --version
Перейдите в папку, которую мы создавали для инструмента обучения моделей и клонируйте репозиторий:
cd C:\AIcovers git clone https://github.com/SociallyIneptWeeb/AICoverGen.git make
Установим зависимости:
cd make pip install -r requirements.txt
Скачаем предобученные модели:
python src/download_models.py
Готово. Запускаем:
python src/webui.py
В консоли после запуска будет ссылка, по которой открывается веб-интерфейс:
Для задания другого сетевого порта добавьте параметр --listen-port *номер порта*, а для доступности интерфейса с других компьютеров в локальной сети добавьте параметр --listen.
python src/webui.py --listen --listen-port 8081
Для доступности из интернета можно добавить параметр --share:
Использование
Откроем интерфейс и перейдём на вкладку "Upload model", чтобы добавить обученную на предыдущем этапе модель голоса:
Выберите файл для загрузки, задайте имя модели в поле "Model name" и нажмите кнопку "Upload model".
Если всё правильно, то в поле "Output message" вы увидите такое сообщение:
Теперь переходите на вкладку "Generate" и нажимайте кнопку "Refresh models".
В списке "Voice models" появится загруженная вами модель. Выберите её.
В поле "Song input" можно либо вставить ссылку на ролик на YouTube, либо загрузить файл, выбрать вариант "Upload file instead". Рекомендую начать эксперименты с песни Джонни Кэша, у неё хорошо отделяется вокал и достаточно разборчивый голос для замены.
Нажимайте кнопку "Generate" и ждите результата. Подбирайте параметры, пока не получится что-то хорошее. Делитесь получившимися шедеврами.
Если будут вопросы, то можете задать их мне в телеграме.
Подписывайтесь на канал, ставьте лайки, жмите на колокольчик и всё такое. Всех люблю и обнимаю.