innnky/emotional-vits

This is stars and forks stats for /innnky/emotional-vits repository. As of 20 Apr, 2024 this repository has 1004 stars and 148 forks.

Emotional VITS 在线demo ↑↑↑ bilibili demo 数据集无需任何情感标注，通过情感提取模型 提取语句情感embedding输入网络，实现情感可控的VITS合成 模型结构 相对于原版VITS仅修改了TextEncoder部分 模型的优缺点介绍 该模型缺点： 推理时需要指定一个音频作为情感的参考音频才能够合成音频，而模型本身并不知道“激动”、“平静”这类表示情绪的词语对应的情感特征是什么。 对于只有一个角色的模型，可以通过预先筛选的方式，即手动挑选几条“激动”、“平静”、“小声”之类的音频，手动实现情感文本->情感embedding的对应关系 （这个过程可以用聚类算法 简化筛选） 对于有多个角色的模型，上述预筛选的方式有局限性，因为例如同样对于“平静”这一个情感而言，不同角色对应的情感embedding可能会不同，导致建立情感文本->情感embedding的映射关系很繁琐，很难通过一套统一的标准去描述不同角色之间的相似情感 该模型的优点： 任何普通的TTS数据集均可以完成情感控制。无需手动打情感标签。 由于在训练时候并没有指定情感的文本与embedding的对应关系，所有的情感特征embedding均在一个连续的空间内 因此理论上对于任意角色数据集中出现的情感，推理时均可以通过该模型实现合成，只需要输入目标情感音频对应的embedding即可，而不会受到情感分类数量限制 快速挑选各个情感对应的音频 可以使用 聚类算法 自动对音频的情感embedding进行分类，大致上可以区分出情感差异较大的各个类别，具体使用请参考 emotion_clustering.ipynb Pre-requisites Python >= 3.6 Clone this repository Install python requirements. Please refer requirements.txt prepare datasets Build Monotonic Alignment Search and run preprocessing if you use your own datasets. # Cython-version Monotonoic Alignment Search cd monotonic_align python setup.py build_ext --inplace # Preprocessing (g2p) for your own datasets. Preprocessed phonemes for nene have been already provided. python preprocess.py --text_index 2 --filelists filelists/train.txt filelists/val.txt --text_cleaners japanese_cleaners extract emotional embeddings, this will generate *.emo.npy for each wav file. python emotion_extract.py --filelists filelists/train.txt filelists/val.txt Training Exmaple # nene python train_ms.py -c configs/nene.json -m nene # if you are fine tuning pretrained original VITS checkpoint , python train_ms.py -c configs/nene.json -m nene --ckptD /path/to/D_xxxx.pth --ckptG /path/to/G_xxxx.pth Inference Example See inference.ipynb or use MoeGoe