【有手就行】使用你自己的声音做语音合成，CPU都能跑,亲测有效

此文介绍在百度飞桨上一个公开的案例，亲测有效。

厌倦了前篇一律的TTS音色了吗？打开短视频听来听去就是那几个声音，快来试试使用你自己的声音来做语音合成吧！本教程非常简单，只需要你能够上传自己的音频数据就可以(建议10句以上，少于5句第一步会报错，句子越多，效果越好)，剩下的就是等代码运行结束即可，一路运行到底！！选择CPU就行，推荐GPU32G或以上的环境运行！

1. 效果展示：

Speaker	数据量级	原始音频	微调效果
发音人A	12句
发音人B	12句

2. 使用说明

进入环境时，一定要选择 32G或以上的GPU环境运行，CPU环境无法运行

萌新玩家：如果你从来没有学习过编程，也不知道什么时深度学习，欢迎使用可视化界面进行操作。只需要准备好音频数据以后，按照网页说明一直向下点击运行即可。在【第三部分：安装试验所需环境】结束后，进入【第四部分：网页应用微调训练】
高端玩家：如果你有一定的Python基础并了解如何进行深度学习的训练，调参与模型微调，在【第三部分：安装试验所需环境】结束后，进入【第五部分：代码块微调训练】。

安装试验所需环境

执行下面这行代码块,安装全部所需实验环境。

无论什么时候，先等安装环境这行执行完毕！每一次重新打开项目的时候也是，重新把这行执行完毕！！！不然后面会有各种各样的报错

等这行出现。

In [ ]

# 安装实验所需环境
!bash env.sh
!pip install typeguard==2.13 --user

4. 网页应用微调训练

在左侧找到文件 untitled.streamlit.py ，双击文件

进入网页后，参照网页应用引导，上传文件 -> 标注数据 -> 微调模型 -> 合成文本

4.1 如何上传数据

4.2 检查并标注数据

4.3 微调模型

4.4 合成文本

4.5 想要跑新的实验

5. 代码块微调

5.1. 如何上传数据：

上传数据说明：对于语音合成任务，对数据是有一定要求的，尽可能上传干净的人声数据，比如像示例中的人声数据，在安静环境下录制，录制设备无论是手机，电脑，还是别的设备都可以，注意一定要控制噪音，或者提前使用音频剪辑软件进行降噪。

音频不要太长，也不要太短，建议2s~10s之间
音频尽量是干净人声，不要有BGM，不要有比较大的杂音，不要有一些奇奇怪怪的声效，比如回声等
声音的情绪尽量稳定,以说话的语料为主，不要是『嗯』『啊』『哈』之类的语气词

关于录音工具的选择：

你可以使用一些在线运行的录音工具或者【Adobe Audition】，【Cool Edit Pro】, 【Audacity】等录音软件录制音频，保存为 24000采样率的 Wav 格式

也可以通过手机录音后，使用格式工厂等格式转换软件，将手机录音转换成 Wav 格式后上传到这个项目中。

希望大家玩得开心！！

这里给大家介绍两种把数据上传到 Aistudio 的方法

5.1.1 通过右侧菜单上传文件

点击 data，进入 data 目录上传音频数据（wav / mp3 / ogg 格式 ）, 数据大小不超过 150M

5.1.2 创建数据集并挂载到项目中

如果音频数据比较多，体积 > 150M 可以使用挂载数据集的方式上传，通过这种方式时注意项目启动时提前挂载好自己的数据集。

这部分可以参考【Aistudio数据集挂载说明】

5.2. 微调模型

在上面的过程中，已经上传好了数据，大家只需要按步骤运行下面三步即可。

不同的数据量，微调所需的时间不同，比如使用示例音频，只需要5分钟左右就可以微调完成，你的数据越多，所需微调时间就越多, 剩下的只需要耐心等待就好了

如果你的数据量特别多，记得提前设置【页面关闭后环境终止时间】，选2h，以防因网络问题导致训练终端。

注意：当你想要做新一轮试验的时候！请一定要【重启内核】，重启内核后上面都不需要运行，直接从这里开始运行就可以

In [3]

###########
# 注意！！！
# 更换自己的数据集只需要替换这里的三个参数就可以了,为了防止出错，一律使用绝对路径！！不要使用相对路径！
# 1. data_dir：上传的数据路径
# 2. label_path：生成的标注文件，你也根据音频实际情况修改，注意：这里生成的是json文件，方便大家检查修改的！跟标注数据集标注有区别
# 3. exp_dir: 试验路径，建议不同的试验放在不同的试验路径，防止试验文件串了
########
import os

# 示例1
data_dir = os.path.abspath("work/SpkA")
label_path = os.path.abspath("work/labels_spkA.json")
exp_name = "spka"

# 示例2
# data_dir = os.path.abspath("work/SpkB")
# label_path = os.path.abspath("work/labels_speakB.json")
# exp_name = "spkb"

# 示例3：上传自己的数据集到 data
# 如果你使用自己的数据集，并且已经把数据上传到了 data 目录，就把下面三行的 # 号去掉就好了
#data_dir = os.path.abspath("work/data")
#label_path = os.path.abspath("work/labels_data.json")
#exp_name = "demo"

In [ ]

# 【有手就行】使用你自己的声音做语音合成

厌倦了前篇一律的TTS音色了吗？打开短视频听来听去就是那几个声音，快来试试使用你自己的声音来做语音合成吧！本教程非常简单，只需要你能够上传自己的音频数据就可以(建议10句以上，少于5句第一步会报错，句子越多，效果越好)，剩下的就是等代码运行结束即可，一路运行到底！！选择CPU环境也行，不过GPU32G或以上的环境运行！

PaddleSpeech 是一个简单易用的all-in-one 的语音工具箱，支持语音识别，语音合成，声纹识别，声音分类，语音翻译，标点恢复，语音唤醒等多个方向的开发工作。如果你喜欢我们的工作，



## 1. **效果展示**：

<html>
 <table>
  <tr>
    <th>Speaker</th>
    <th>数据量级</th>
    <th>原始音频</th>
    <th>微调效果</th>
  </tr>
  <tr>
    <td>发音人A</td>
    <td>12句</td>
    <td>
      <audio controls>
          <source src="https://paddlespeech.bj.bcebos.com/datasets/Aistudio/finetune/SpkA/data/000001.wav" type="audio/wav">
        </audio>
      </td>
    <td>
      <audio controls>
          <source src="https://paddlespeech.bj.bcebos.com/datasets/Aistudio/finetune/SpkA/finetune/1.wav" type="audio/wav">
        </audio>
      </td>
  </tr>
  <tr>
    <td>发音人B</td>
    <td>12句</td>
    <td>
      <audio controls>
          <source src="https://paddlespeech.bj.bcebos.com/datasets/Aistudio/finetune/SpkB/data/000002.wav" type="audio/wav">
        </audio>
      </td>
     <td>
      <audio controls>
          <source src="https://paddlespeech.bj.bcebos.com/datasets/Aistudio/finetune/SpkB/finetune/1.wav" type="audio/wav">
        </audio>
      </td>
  </tr>
</table>

</html>

你可以在电脑或者手机提前录制好自己的声音，然后上传，注意音频不要太长，也不要太短，建议 2s ~ 10s 左右，音频太长训练时有可能会出错（GPU内存不足），建议按照一句话一个音频进行切分。

In [4]

# 标注过一次之后就不需要在标注啦，只需要运行一次
# 将上传的数据转换成微调格式
# 第一次使用时会下载各种模型，请耐心等待，后面就不会再下载啦
# 如果感觉下方输出过多，可以右键点击【清除输出】
from util.annotation import annotation_dataset
label_result = annotation_dataset(data_dir, label_path)

---------------------------------------------------------------------------ModuleNotFoundError Traceback (most recent call last)/tmp/ipykernel_286/3639803463.py in <module> 3 # 第一次使用时会下载各种模型，请耐心等待，后面就不会再下载啦 4 # 如果感觉下方输出过多，可以右键点击【清除输出】 ----> 5 from util.annotation import annotation_dataset 6 label_result = annotation_dataset(data_dir, label_path) ~/util/annotation.py in <module> 7 import shutil 8 import uuid ----> 9 from paddlespeech.cli.asr.infer import ASRExecutor 10 from paddlespeech.cli.tts.infer import TTSExecutor 11 from paddlespeech.t2s.exps.syn_utils import get_frontend ModuleNotFoundError: No module named 'paddlespeech'

In [ ]

from util.finetuneTTS import finetuneTTS
# 训练参数配置

# 如果你对深度学习训练不熟悉，就按照默认的方式训练就好啦，不需要过多关注其它参数
# 如果感觉下方输出过多，可以右键点击【清除输出】
finetuneTTS(label_path, exp_name, max_finetune_step=100, batch_size=32, learning_rate=0.001)

# 如果你有一定深度学习的基础，欢迎通过这个部分来调整参数，接口中暴露的参数有 max_finetune_step, batch_size, learning_rate
# start_step 和 end_step 分别控制开始和结束，方便分步调试
# finetuneTTS(label_path, exp_name, start_step=1, end_step=8, max_finetune_step=100, batch_size=32, learning_rate=0.001)

In [ ]

# 模型导出成静态图
# 如果上面，跑到中途不想跑了，停掉以后可以用这行代码，将静态图转成动态图
# 上面如果正常结束的话会自动导出
# 第8步是动态图导出
# finetuneTTS(label_path, exp_name, start_step=8, end_step=8, max_finetune_step=100, batch_size=32, learning_rate=0.001)

In [ ]

from util.finetuneTTS import generateTTS, generateTTS_inference_adjust_duration

# 格式
# "文件名": "需要合成的文本"
# 新增 SSML 多音字处理（句子只支持中文)
# SSML使用说明：https://github.com/PaddlePaddle/PaddleSpeech/discussions/2538
text_dict = {
    "1": "欢迎使用 Paddle Speech 做智能语音开发工作。",
    "2": "<speak>前浪<say-as pinyin='dao3'>倒</say-as>在沙滩上</speak>"
}

# 生成想要合成的声音
# 声码器可选 【PWGan】【WaveRnn】【HifiGan】
# 动态图推理，可调节速度， alpha 为 float, 表示语速系数，可以按需求精细调整
# alpha 越小，速度越快，alpha 越大，速度越慢, eg, alpha = 0.5, 速度变为原来的一倍， alpha = 2.0， 速度变为一半
generateTTS_inference_adjust_duration(text_dict, exp_name, voc="PWGan", alpha=1.0)

In [ ]

import os
import IPython.display as ipd
from util.finetuneTTS import exp_base

# 测试第一句：中英文合成成功
exp_path = os.path.join(exp_base + exp_name)
wav_output_dir = os.path.join(exp_path, "wav_out")
ipd.Audio(os.path.join(wav_output_dir, "1.wav"))

In [ ]

# 测试第2句，指定多音字的发音
ipd.Audio(os.path.join(wav_output_dir, "2.wav"))

如何下载音频：上面代码块运行后，按下面的方式下载音频

5.3 微调模型下载与使用

5.3.1 模型下载

上面微调训练结束后，会在【inference】目录下生成对应【exp_name】的模型文件夹，使用下面的代码块生成对应压缩文件，右键点击下载即可

进入 inference 目录

In [ ]

import os
# 打包输出的
out_static_path = os.path.abspath(f"/home/aistudio/inference")
exp_name = "spka"
# 如果模型存在
if os.path.exists(out_static_path):
    # 压缩文件夹
    cmd = f"cd {out_static_path} && zip -r {exp_name}.zip {exp_name}"
    print(cmd)
    os.system(cmd)

生成压缩文件后，点击下载模型文件

5.3.2 在其它的环境中使用微调后的模型

通过配置 CLI 来使用微调后的 TTS，可以参考下面的代码

在其他的环境中如何使用导出的静态图模型进行推理

提前下载好预训练声码器，不同的声码器名称不同，提前下载好微调后的声学模型，并在对应的文件夹下解压

声码器下载地址：

【pwgan_aishell3_static】【hifigan_aishell3】【wavernn_csmsc】

本地运行详细流程，可以参考：【有手就行】使用自己的声音做语音合成（二）本地部署

In [ ]

from pathlib import Path
import soundfile as sf
import os
from paddlespeech.t2s.exps.syn_utils import get_am_output
from paddlespeech.t2s.exps.syn_utils import get_frontend
from paddlespeech.t2s.exps.syn_utils import get_predictor
from paddlespeech.t2s.exps.syn_utils import get_voc_output

# 在其他环境中，记得修改下面这两个变量的路径
am_inference_dir = os.path.join("/home/aistudio/inference", exp_name)
voc_inference_dir = "/home/aistudio/PaddleSpeech/examples/other/tts_finetune/tts3/models/pwgan_aishell3_static_1.1.0"  # 这里以 pwgan_aishell3 为例子

# 音频生成的路径，修改成你音频想要保存的路径
wav_output_dir = "work/inference_demo"

# 选择设备[gpu / cpu]，这里以GPU为例子， 
device = "cpu"

# 想要生成的文本和对应文件名

text_dict = {
    "1": "今天天气真不错，欢迎和我一起玩。",
    "2": "我认为跑步给我的身体带来了健康。",
}

# frontend
frontend = get_frontend(
    lang="mix",
    phones_dict=os.path.join(am_inference_dir, "phone_id_map.txt"),
    tones_dict=None
)

# am_predictor
am_predictor = get_predictor(
    model_dir=am_inference_dir,
    model_file="fastspeech2_mix" + ".pdmodel",
    params_file="fastspeech2_mix" + ".pdiparams",
    device=device)

# voc_predictor
voc_predictor = get_predictor(
    model_dir=voc_inference_dir,
    model_file="pwgan_aishell3" + ".pdmodel",    # 这里以 pwgan_aishell3 为例子，其它模型记得修改此处模型名称
    params_file="pwgan_aishell3" + ".pdiparams",
    device=device)

output_dir = Path(wav_output_dir)
output_dir.mkdir(parents=True, exist_ok=True)

sentences = list(text_dict.items())

merge_sentences = True
fs = 24000
for utt_id, sentence in sentences:
    am_output_data = get_am_output(
        input=sentence,
        am_predictor=am_predictor,
        am="fastspeech2_mix",
        frontend=frontend,
        lang="mix",
        merge_sentences=merge_sentences,
        speaker_dict=os.path.join(am_inference_dir, "phone_id_map.txt"),
        spk_id=0, )
    wav = get_voc_output(
            voc_predictor=voc_predictor, input=am_output_data)
    # 保存文件
    sf.write(output_dir / (utt_id + ".wav"), wav, samplerate=fs)

In [ ]

import IPython.display as ipd
ipd.Audio(os.path.join(wav_output_dir, "1.wav"))

6. 趣味实验功能区

这个模块会开放一些有趣的TTS玩法，但是对开发者的技术能力有一定要求，大家根据自己的需要进行开发

6.1 帧级别调整音素长度进行语音合成

这部分将允许用户介入Duration的生成过程，通过编辑网页的方式改变音素的发音时长，duration 以整数为单位，一帧是12.5ms，欢迎大家体验, 音素 sp 代表静音帧。

比如想要得到一个 125 ms 的静音帧，设置对应位置的 sp 为 10 即可

可视化使用方式：

具体大家可以到aistadio上去亲自体验一下哦！

【有手就行】使用你自己的声音做语音合成，CPU都能跑,亲测有效 - 飞桨AI Studio星河社区