Upload 7 files

app.py

@@ -9,16 +9,13 @@ from inference.infer_tool import Svc
 import logging
 logging.getLogger('numba').setLevel(logging.WARNING)
 
-model_name = "logs/48k/suiji.pth"
-config_name = "configs/suiji.json"
+model_name = "logs/48k/G_1M111000_sing.pth"
+config_name = "configs/config.json"
 
 svc_model = Svc(model_name, config_name)
-sid_map = {
-    "岁己（本音）": "suiji"
-}
-def vc_fn(sid, input_audio, vc_transform):
+def vc_fn(input_audio, vc_transform):
     if input_audio is None:
-        return "请选择或拖入一段音频", None
+        return None
     sampling_rate, audio = input_audio
     # print(audio.shape,sampling_rate)
     duration = audio.shape[0] / sampling_rate
@@ -31,10 +28,9 @@ def vc_fn(sid, input_audio, vc_transform):
     out_wav_path = io.BytesIO()
     soundfile.write(out_wav_path, audio, 16000, format="wav")
     out_wav_path.seek(0)
-    sid = sid_map[sid]
-    out_audio, out_sr = svc_model.infer(sid, vc_transform, out_wav_path)
+    out_audio, out_sr = svc_model.infer("suiji", vc_transform, out_wav_path)
     _audio = out_audio.cpu().numpy()
-    return "成功", (48000, _audio)
+    return (48000, _audio)
 
 app = gr.Blocks()
 with app:
@@ -42,38 +38,48 @@ with app:
         with gr.TabItem("歌声音色转换"):
             gr.Markdown(value="""
                 # 强烈建议☝️先看一遍使用说明
-                
-                ## 这是 sovits 3.0 48kHz AI岁己“歌声”音色转换的在线demo
-                
-                #### 目前模型训练状态：700000steps / 640epochs
-                
-                #### 如果要训练自己的数据请访问：[项目Github仓库](https://github.com/innnky/so-vits-svc/tree/main)、[教程《svc相关》](https://www.yuque.com/jiuwei-nui3d/qng6eg)
-                
-                #### 建议参考上方“使用说明”下的教程，在本地使用 inference_main.py 处理，我都写成这样了再小白应该都能搞定（不怕麻烦的话）
-                
-                #### 本地推理可调用GPU(NVIDIA)，3060Ti 8G可推理一条20(建议) - 30s的音频，过长音频可分割后批量处理，就算用CPU推理也比 Hugging Face 快不少
+
+                ## 这是 sovits 3.0 48kHz AI岁己歌声音色转换的在线demo
+
+                ### 目前模型训练状态：1000000steps底模 + 111000steps
+
+                ### 推理出来有概率会给吸气音上电，需要后期小修一下，大概可能也许是因为炼太久糊了
+
+                ### 仓库内模型所用于训练的数据：
+
+                | G_1000000.pth | G_1M111000_sing.pth（现任） | G_1M100000_sing.pth（待产） | G_1M100000_sing1.pth（待产） |
+                | :----: | :----: | :----: | :----: |
+                | 12月录播（除电台）、出道至今22条歌投、10条歌切、圣诞音声（27.5小时） | G_1000000.pth作为底模_2022年所有唱歌投稿、唱歌切片、圣诞音声（3.9小时） | G_1000000.pth作为底模_（使用效果更好的UVR5模型去除BGM）出道至今所有唱歌投稿、唱歌切片、圣诞音声 | 先用1月录播（除电台）训练一个底模，再用出道至今所有唱歌投稿、唱歌切片、圣诞音声进行训练 |
+
+                ### 仓库内G.pth、D.pth都有，欢迎作为底模用于进一步训练，如果要训练自己的数据请访问：[项目Github仓库](https://github.com/innnky/so-vits-svc/tree/main)、[教程《svc相关》](https://www.yuque.com/jiuwei-nui3d/qng6eg)
+
+                ### 建议参考上方“使用说明”下的教程，在本地使用 inference_main.py 处理，我都写成这样了再小白应该都能搞定（不怕麻烦的话）
+
+                ### 本地推理可调用GPU(NVIDIA)，3060Ti 8G可推理一条20(建议) - 30s的音频，过长音频可分割后批量处理，就算用CPU推理也比 Hugging Face 快不少
+
+                ### 有空可能会折腾一下导出onnx，抛弃这堆较为臃肿的Python依赖
             """)
-            sid = gr.Dropdown(label="音色", choices=["岁己（本音）"], value="岁己（本音）")
             vc_input3 = gr.Audio(label="输入音频（长度请控制在30s左右，过长可能会爆内存）")
             vc_transform = gr.Number(label="变调（整数，可以正负，半音数量，升高八度就是12）", value=0)
             vc_submit = gr.Button("转换", variant="primary")
-            vc_output1 = gr.Textbox(label="输出日志")
             vc_output2 = gr.Audio(label="输出音频（最右侧三个点可以下载）")
-        vc_submit.click(vc_fn, [sid, vc_input3, vc_transform], [vc_output1, vc_output2])
+        vc_submit.click(vc_fn, [vc_input3, vc_transform], [vc_output2])
         with gr.TabItem("亿点点使用说明➕保姆级本地部署教程"):
             gr.Markdown(value="""
                 # 强烈建议👇先看一遍使用说明
-                
+
                 ### 输入的音频一定要是纯净的干音，不要把歌曲直接扔进来
-                
-                ### 长音不太稳��音域不算宽，选曲限制比较大，推荐多试试变调
-                
+
+                ### 混响和和声也不能有，UVR分离出人声之后需要注意一下
+
                 ### 对陈述语气没多大作用，实在没干音库的话，你可以自己唱然后升十几个调慢慢试效果
-                
-                ### 因为数据集来源于录播，所以音色偏本音，前期变调用于匹配音域，后期可以升一个key匹配一下岁己的歌音
+
+                ### 数据集几乎全是杂谈的G_1000000.pth：长音不稳，音域不宽，选曲限制较大，可以多试试变调，没什么必要去用
+
+                ### 现任的G_1M111000_sing.pth：有概率会给吸气音上电，需要后期小修一下
 
                 # 在本地部署并使用 inference_main.py 处理的保姆级教程：
-                
+
                 ### 0. 创建一个存放文件的目录，例如 D:\\SUI\\
 
                 ### 1. 安装所需的软件
@@ -81,7 +87,7 @@ with app:
                 1. [miniconda-Python3.8](https://docs.conda.io/en/latest/miniconda.html#windows-installers)（未测试其他Python版本）[点这里可以直接下载](https://repo.anaconda.com/miniconda/Miniconda3-py38_22.11.1-1-Windows-x86_64.exe)，Just Me 与 All Users 都行，其余可无脑下一步
 
                 2. [git](https://git-scm.com/download/win)（建议使用便携版）[点这里可以直接下载(便携版v2.39.0.2)](https://github.com/git-for-windows/git/releases/download/v2.39.0.windows.2/PortableGit-2.39.0.2-64-bit.7z.exe)，路径填 D:\\SUI\\git\\
-                
+
                 ### 2. 在开始菜单中运行 Anaconda Powershell Prompt 并配置环境（除了工作目录，复制粘贴回车即可）
 
                 ```

configs/config.json

@@ -0,0 +1,90 @@
+{
+  "train": {
+    "log_interval": 200,
+    "eval_interval": 1000,
+    "seed": 1234,
+    "epochs": 10000,
+    "learning_rate": 0.0002,
+    "betas": [
+      0.8,
+      0.99
+    ],
+    "eps": 1e-09,
+    "batch_size": 12,
+    "fp16_run": false,
+    "lr_decay": 0.999875,
+    "segment_size": 17920,
+    "init_lr_ratio": 1,
+    "warmup_epochs": 0,
+    "c_mel": 45,
+    "c_kl": 1.0,
+    "use_sr": true,
+    "max_speclen": 384,
+    "port": "8001"
+  },
+  "data": {
+    "training_files": "filelists/train.txt",
+    "validation_files": "filelists/val.txt",
+    "max_wav_value": 32768.0,
+    "sampling_rate": 48000,
+    "filter_length": 1280,
+    "hop_length": 320,
+    "win_length": 1280,
+    "n_mel_channels": 80,
+    "mel_fmin": 0.0,
+    "mel_fmax": null
+  },
+  "model": {
+    "inter_channels": 192,
+    "hidden_channels": 192,
+    "filter_channels": 768,
+    "n_heads": 2,
+    "n_layers": 6,
+    "kernel_size": 3,
+    "p_dropout": 0.1,
+    "resblock": "1",
+    "resblock_kernel_sizes": [
+      3,
+      7,
+      11
+    ],
+    "resblock_dilation_sizes": [
+      [
+        1,
+        3,
+        5
+      ],
+      [
+        1,
+        3,
+        5
+      ],
+      [
+        1,
+        3,
+        5
+      ]
+    ],
+    "upsample_rates": [
+      10,
+      8,
+      2,
+      2
+    ],
+    "upsample_initial_channel": 512,
+    "upsample_kernel_sizes": [
+      16,
+      16,
+      4,
+      4
+    ],
+    "n_layers_q": 3,
+    "use_spectral_norm": false,
+    "gin_channels": 256,
+    "ssl_dim": 256,
+    "n_speakers": 2
+  },
+  "spk": {
+    "suiji": 0
+  }
+}

inference_main.py

@@ -14,8 +14,8 @@ from inference.infer_tool import Svc
 logging.getLogger('numba').setLevel(logging.WARNING)
 chunks_dict = infer_tool.read_temp("inference/chunks_temp.json")
 
-model_path = "logs/48k/suiji.pth"
-config_path = "configs/suiji.json"
+model_path = "logs/48k/G_1M111000_sing.pth"
+config_path = "configs/config.json"
 svc_model = Svc(model_path, config_path)
 infer_tool.mkdir(["raw", "results"])
 

logs/48k/D_1000000.pth

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:dea84cb6648d8c504208edf9b3bb68680c33028c8b84a51c1917a43e29ffefea
+size 561098185

logs/48k/D_1M111000_sing.pth

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:81612e7166273210ec50849aafc1ef545522fb857961d4a50eac508ebe99942e
+size 561098185

logs/48k/G_1000000.pth

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:02030aa2e729f0af2227fd31f0499bc9769a7991b056d66ec1a9b009b5e37c50
+size 699505437

logs/48k/G_1M111000_sing.pth

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:67d8584f45d2662b652ac1555f49c52a7b569c67ccb470c169001bc96ab3b048
+size 699505437