借助深度學(xué)習(xí)算法實現(xiàn)5秒內(nèi)克隆你的聲音

大家應(yīng)該都知道聲音克隆技術(shù)，通俗的來說就是借助深度學(xué)習(xí)算法，可以完全模擬某個人的聲音，而且由機器合成的語音連情緒都能夠完美表達出來，基本可以以假亂真，只要不見面，你根本就察覺不出來向你發(fā)出聲音的知識一個機器。

語音克隆最大的創(chuàng)新之一是減少創(chuàng)建語音所需的原始數(shù)據(jù)量。過去，該系統(tǒng)需要數(shù)十甚至數(shù)百小時的音頻。但是，今天猿妹要和大家分享的這個工具5秒鐘就可以克隆成功，這個工具名叫——MockingBird。

MockingBird已經(jīng)登上Github熱榜，收獲3.5K的Star，累計分支 303（Github地址：https://github.com/babysor/MockingBird）

MockingBird具有如下特性：

支持普通話并使用多種中文數(shù)據(jù)集進行測試

適用于 pytorch，已在 1.9.0 版本（最新于 2021 年 8 月）中測試，GPU Tesla T4 和 GTX 2060

支持 Windows + Linux

僅使用新訓(xùn)練的合成器（synthesizer）就有良好效果，復(fù)用預(yù)訓(xùn)練的編碼器/聲碼器

MockingBird如何使用

MockingBird的安裝要求如下：

首先，MockingBird需要Python 3.7 或更高版本

安裝 PyTorch

安裝 ffmpeg。

運行pip install -r requirements.txt 來安裝剩余的必要包。

安裝 webrtcvad 用 pip install webrtcvad-wheels。

接著，你需要使用數(shù)據(jù)集訓(xùn)練合成器：

下載 數(shù)據(jù)集并解壓：確保您可以訪問 train 文件夾中的所有音頻文件（如.wav）

使用音頻和梅爾頻譜圖進行預(yù)處理：python synthesizer_preprocess_audio.py 《datasets_root》 可以傳入參數(shù) --dataset {dataset} 支持 adatatang_200zh， magicdata， aishell3

預(yù)處理嵌入：python synthesizer_preprocess_embeds.py 《datasets_root》/SV2TTS/synthesizer

訓(xùn)練合成器：python synthesizer_train.py mandarin 《datasets_root》/SV2TTS/synthesizer

當(dāng)你在訓(xùn)練文件夾 synthesizer/saved_models/ 中看到注意線顯示和損失滿足您的需要時，請轉(zhuǎn)到下一步。

使用預(yù)先訓(xùn)練好的合成器，如果沒有設(shè)備或者不想慢慢調(diào)試，可以使用網(wǎng)友貢獻的模型。

訓(xùn)練聲碼器

預(yù)處理數(shù)據(jù)： python vocoder_preprocess.py 《datasets_root》

訓(xùn)練聲碼器： python vocoder_train.py mandarin 《datasets_root》

啟動工具箱

然后你可以嘗試使用工具箱：python demo_toolbox.py -d 《datasets_root》

責(zé)任編輯：haq