金融网站开发文档下载,wordpress 新网页打开,中国百强企业,北京电力交易中心 庞博1. train.py
1.1 大体流程
执行main函数#xff0c;调用多线程和run函数执行run函数#xff0c;加载日志、数据集、模型、模型优化器for循环迭代数据batch#xff0c;每次执行train_and_evaluate函数#xff0c;训练模型
这里需要注意#xff0c;源码中加载数据集用的分…1. train.py
1.1 大体流程
执行main函数调用多线程和run函数执行run函数加载日志、数据集、模型、模型优化器for循环迭代数据batch每次执行train_and_evaluate函数训练模型
这里需要注意源码中加载数据集用的分布式单卡最好将其删除用普通的data_loader即可。
1.2 train_and_evaluate函数
训练每次迭代的执行函数
g的输入和输出特别多有2行分布为
y_hat, l_length, attn, ids_slice, x_mask, z_mask,\
(z, z_p, m_p, logs_p, m_q, logs_q) net_g(x, x_lengths, spec, spec_lengths)其中第二行为求kl所需值
d的输入和输出为
y_d_hat_r, y_d_hat_g, fmap_r, fmap_g net_d(y, y_hat)损失函数计算
g: loss_dur torch.sum(l_length.float())loss_mel F.l1_loss(y_mel, y_hat_mel) * hps.train.c_melloss_kl kl_loss(z_p, logs_q, m_p, logs_p, z_mask) * hps.train.c_klloss_fm feature_loss(fmap_r, fmap_g)loss_gen, losses_gen generator_loss(y_d_hat_g)loss_gen_all loss_gen loss_fm loss_mel loss_dur loss_kld:
loss_disc, losses_disc_r, losses_disc_g discriminator_loss(y_d_hat_r, y_d_hat_g)1.3 evaluuate函数
这里主要是用到mel图的对比通过可视化mel图判别生成效果。
来自数据集的spec mel spec_to_mel_torch(spec, hps.data.filter_length, hps.data.n_mel_channels, hps.data.sampling_rate,hps.data.mel_fmin, hps.data.mel_fmax)来自生成的音频y y_hat_mel mel_spectrogram_torch(y_hat.squeeze(1).float(),hps.data.filter_length,hps.data.n_mel_channels,hps.data.sampling_rate,hps.data.hop_length,hps.data.win_length,hps.data.mel_fmin,hps.data.mel_fmax)1.4 train_ms.py 文件
区别于train.py文件用于训练ljtrain_ms.py用于训练vctk数据集。
即train_ms适用于多人数据集模型的输入也多了一个多人的embedding_layer。
2. Inference.py
这个是jupter即 ipynb文件其通过 SynthesizerTrn类的infer方法和voice_conversion方法实现。
2.1 infer方法
该方法实现tts功能输入文本的音素化特征输出对应文本语义的语音效果。
主要步骤如下
通过文本编码器输入文本音素化向量得到x, m_p, logs_p, x_mask
如果多人潜入人物特征 x, m_p, logs_p, x_mask self.enc_p(x, x_lengths)if self.n_speakers 0:g self.emb_g(sid).unsqueeze(-1) # [b, h, 1]else:g None通过dp输入x,x_mask, 以及人物特征得到logw if self.use_sdp:logw self.dp(x, x_mask, gg, reverseTrue, noise_scalenoise_scale_w)else:logw self.dp(x, x_mask, gg)logw与x_mask运算得到w_ceil, 最终得到y_lengths w torch.exp(logw) * x_mask * length_scalew_ceil torch.ceil(w)y_lengths torch.clamp_min(torch.sum(w_ceil, [1, 2]), 1).long()y_lengths得到y_maskx_mask和y_mask得到注意力矩阵attn y_mask torch.unsqueeze(commons.sequence_mask(y_lengths, None), 1).to(x_mask.dtype)attn_mask torch.unsqueeze(x_mask, 2) * torch.unsqueeze(y_mask, -1)attn commons.generate_path(w_ceil, attn_mask)m_p 和 logs_p 分别与attn相乘再相加得到z_p m_p torch.matmul(attn.squeeze(1), m_p.transpose(1, 2)).transpose(1, 2) # [b, t, t], [b, t, d] - [b, d, t]logs_p torch.matmul(attn.squeeze(1), logs_p.transpose(1, 2)).transpose(1, 2) # [b, t, t], [b, t, d] - [b, d, t]z_p m_p torch.randn_like(m_p) * torch.exp(logs_p) * noise_scalez_p送入flow逆向得到可用于生成音频的潜码z
z self.flow(z_p, y_mask, gg, reverseTrue)z送入解码器 dec, 得到对应音频y o self.dec((z * y_mask)[:,:,:max_len], gg)2.2 voice_conversion
该方法实现vctk数据集下的不同人物音色转换。
通过输入人物的id得到人物的嵌入特征
g_src self.emb_g(sid_src).unsqueeze(-1)
g_tgt self.emb_g(sid_tgt).unsqueeze(-1)将原人物的音频y和y长度及对应id输入得到其潜码
z, m_q, logs_q, y_mask self.enc_q(y, y_lengths, gg_src)通过流模型输入目标任务的id在潜码中嵌入目标任务的特征
z_p self.flow(z, y_mask, gg_src)剩下的步骤和tts类似用z_p合成目标语音 z_hat self.flow(z_p, y_mask, gg_tgt, reverseTrue)o_hat self.dec(z_hat * y_mask, gg_tgt)3.总结
VITS到这里就告于段落了 后面的VITS2改进了VITS的dp模型flow变gan
在cosvoice等模型里面也能见到VITS的主干网络。
因此 VITS是音频tts和vc、sc的核心技术。
