TTS | 轻量级VITS2的项目实现以及API设置

 ----------------------------------🗣️ 语音合成 VITS相关系列直达 🗣️ -------------------------------------

🫧VITS ：TTS | 保姆级端到端的语音合成VITS论文详解及项目实现(超详细图文代码)

🫧MB-iSTFT-VITS：TTS | 轻量级语音合成论文详解及项目实现

🫧MB-iSTFT-VITS2：TTS | 轻量级VITS2的项目实现以及API设置-CSDN博客

🫧PolyLangVITS：MTTS | 多语言多人的VITS语音合成项目实现-CSDN博客

本文主要是实现了MB-iSTFT-VITS2语音合成模型的训练，相比于VITS模型，MB-iSTFT-VITS模型相对来说会小一点，最重要的是在合成结果来看，MB-iSTFT-VITS模型推理更快，更加自然（个人经验）.项目地址如下：

FENRlR/MB-iSTFT-VITS2: Application of MB-iSTFT-VITS components to vits2_pytorch (github.com)

 目前项目还未来得及发表论文，且项目还在完善中(截止到2023.10.18)。

目录

 0.环境设置

1.项目设置及数据处理

2.训练

3.设置API

过程中遇到的问题及解决（PS） 

[PS1]训练时出现cuda out of m

[PS2]训练后出现线程相关错误

[PS3]API设置时出现，RuntimeError: Invalid device, must be cuda device

[PS4]RuntimeError: Error(s) in loading state_dict for SynthesizerTrn:        size mismatch for enc_q.pre.weight: copying a param with shape torch.Size([192, 80, 1]) from checkpoint, the shape in current model is torch.Size([192, 513, 1]).

[PS5]TypeError: load_checkpoint() got an unexpected keyword argument 'skip_optimizer'

 0.环境设置

docker镜像容器(Linux20.04+Pytorch1.13.1+torchvision0.14.1+cuda11.7+python3.8)，

可靠的版本依赖

环境1：torch1.13+cuda11.7

pip install torch==1.13.1+cu117 torchvision==0.14.1+cu117 torchaudio==0.13.1 -f https://download.pytorch.org/whl/torch_stable.html

环境2：torch1.14.0a0+410ce96+cuda11.8

1.项目设置及数据处理

# 克隆项目到本地
git clone https://github.com/FENRlR/MB-iSTFT-VITS2
 
cd MB-iSTFT-VITS2
 
#安装所需要的库
pip install -r requirements.txt
apt-get install espeak
 
# 文本预处理
 
## 选择1 ： 单人数据集
python preprocess.py --text_index 1 --filelists PATH_TO_train.txt --text_cleaners CLEANER_NAME
python preprocess.py --text_index 1 --filelists PATH_TO_val.txt --text_cleaners CLEANER_NAME
 
 
## 选择2 ： 多人数据集 
python preprocess.py --text_index 2 --filelists PATH_TO_train.txt --text_cleaners CLEANER_NAME
python preprocess.py --text_index 2 --filelists PATH_TO_val.txt --text_cleaners CLEANER_NAME
 
# 设置MAS
cd monotonic_align
mkdir monotonic_align
python setup.py build_ext --inplace

前期设置与vits/vits2基本相同

编辑配置文件

2.训练

2.1. 单人数据集训练

 
# 选择1 ： 单人数据集训练
python train.py -c configs/mb_istft_vits2_base.json -m models/test
 
# 训练采样小的模型
#python train.py -c configs/mini_mb_istft_vits2_base.json -m models/mini_bae
 

训练后生成

​

 训练过程

​

2.2. 多人数据集训练

# python preprocess.py --text_index 2 --filelists filelists/history_ms_train.txt filelists/history_ms_val.txt --text_cleaners korean_cleaners
# 选择2 ： 多人数据集训练 
 
python train_ms.py -c configs/mb_istft_vits2_base.json -m models/test

 多人数据格式

​

3.设置API

3.1.单人webui.py

 
import sys, os
import logging
import re
 
logging.getLogger("numba").setLevel(logging.WARNING)
logging.getLogger("markdown_it").setLevel(logging.WARNING)
logging.getLogger("urllib3").setLevel(logging.WARNING)
logging.getLogger("matplotlib").setLevel(logging.WARNING)
 
logging.basicConfig(
    level=logging.INFO, format="| %(name)s | %(levelname)s | %(message)s"
)
 
logger = logging.getLogger(__name__)
 
import torch
import argparse
import commons
import utils
from models import SynthesizerTrn
from text.symbols import symbols
#from text import cleaned_text_to_sequence
from text import text_to_sequence
#from text.cleaner import clean_text
import gradio as gr
import webbrowser
import numpy as np
 
 
net_g = None
 
if sys.platform == "darwin" and torch.backends.mps.is_available():
    device = "mps"
    os.environ["PYTORCH_ENABLE_MPS_FALLBACK"] = "1"
else:
    device = "cuda"
 
   
 
def get_text(text, hps):
    text_norm = text_to_sequence(text, hps.data.text_cleaners)
    if hps.data.add_blank:
        text_norm = commons.intersperse(text_norm, 0)
    text_norm = torch.LongTensor(text_norm)
    return text_norm
 
 
def infer(text, sdp_ratio, noise_scale, noise_scale_w, length_scale, sid):
    global net_g
    fltstr = re.sub(r"[\[\]\(\)\{\}]", "", text)
    stn_tst = get_text(fltstr, hps)
 
    speed = 1
    output_dir = 'output'
    sid = 0
    with torch.no_grad():
        x_tst = stn_tst.to(device).unsqueeze(0)
        x_tst_lengths = torch.LongTensor([stn_tst.size(0)]).to(device)
        audio = net_g.infer(x_tst, x_tst_lengths, noise_scale=.667, noise_scale_w=0.8, length_scale=1 / speed)[0][
                0, 0].data.cpu().float().numpy()
 
    return audio
 
def tts_fn(
    text, speaker, sdp_ratio, noise_scale, noise_scale_w, length_scale
):
    slices = text.split("|")
    audio_list = []
    with torch.no_grad():
        for slice in slices:
            audio = infer(
                slice,
                sdp_ratio=sdp_ratio,
                noise_scale=noise_scale,
                noise_scale_w=noise_scale_w,
                length_scale=length_scale,
                sid=speaker,
 
            )
            audio_list.append(audio)
            silence = np.zeros(hps.data.sampling_rate)  # 生成1秒的静音
            audio_list.append(silence)  # 将静音添加到列表中
    audio_concat = np.concatenate(audio_list)
    return "Success", (hps.data.sampling_rate, audio_concat)
 
 
if __name__ == "__main__":
    parser = argparse.ArgumentParser()
    parser.add_argument(
        "-m", "--model", default="/workspace/tts/MB-iSTFT-VITS2/logs/models/G_94000.pth", help="path of your model"
    )
    parser.add_argument(
        "-c",
        "--config",
        default="/workspace/tts/MB-iSTFT-VITS2/logs/models/config.json",
        help="path of your config file",
    )
    parser.add_argument(
        "--share", default=False, help="make link public", action="store_true"
    )
    parser.add_argument(
        "-d", "--debug", action="store_true", help="enable DEBUG-LEVEL log"
    )
 
    args = parser.parse_args()
    if args.debug:
        logger.info("Enable DEBUG-LEVEL log")
        logging.basicConfig(level=logging.DEBUG)
    hps = utils.get_hparams_from_file(args.config)
    
    if "use_mel_posterior_encoder" in hps.model.keys() and hps.model.use_mel_posterior_encoder == True:
        print("Using mel posterior encoder for VITS2")
        posterior_channels = 80  # vits2
        hps.data.use_mel_posterior_encoder = True
    else:
        print("Using lin posterior encoder for VITS1")
        posterior_channels = hps.data.filter_length // 2 + 1
        hps.data.use_mel_posterior_encoder = False
    device = (
        "cuda:0"
        if torch.cuda.is_available()
        else (
            "mps"
            if sys.platform == "darwin" and torch.backends.mps.is_available()
            else "cpu"
        )
    )
    net_g = SynthesizerTrn(
        len(symbols),
        posterior_channels,
        hps.train.segment_size // hps.data.hop_length,
        n_speakers=hps.data.n_speakers, #- >0 for multi speaker
        **hps.model
    ).to(device)
    _ = net_g.eval()
 
    #_ = utils.load_checkpoint(args.model, net_g, None, skip_optimizer=True)
    _ = utils.load_checkpoint(path_to_model, net_g, None)
 
    #speaker_ids = hps.data.spk2id
    #speakers = list(speaker_ids.keys())
    speakers = hps.data.n_speakers
    languages = ["KO"]
    with gr.Blocks() as app:
        with gr.Row():
            with gr.Column():
                text = gr.TextArea(
                    label="Text",
                    placeholder="Input Text Here",
                    value="测试文本.",
                )
                '''speaker = gr.Dropdown(
                    choices=speakers, value=speakers[0], label="Speaker"
                )'''
                speaker = gr.Slider(
                    minimum=0, maximum=speakers-1, value=0, step=1, label="Speaker"
                )
                sdp_ratio = gr.Slider(
                    minimum=0, maximum=1, value=0.2, step=0.1, label="SDP Ratio"
                )
                noise_scale = gr.Slider(
                    minimum=0.1, maximum=2, value=0.6, step=0.1, label="Noise Scale"
                )
                noise_scale_w = gr.Slider(
                    minimum=0.1, maximum=2, value=0.8, step=0.1, label="Noise Scale W"
                )
                length_scale = gr.Slider(
                    minimum=0.1, maximum=2, value=1, step=0.1, label="Length Scale"
                )
                language = gr.Dropdown(
                    choices=languages, value=languages[0], label="Language"
                )
                btn = gr.Button("Generate!", variant="primary")
            with gr.Column():
                text_output = gr.Textbox(label="Message")
                audio_output = gr.Audio(label="Output Audio")
 
        btn.click(
            tts_fn,
            inputs=[
                text,
                speaker,
                sdp_ratio,
                noise_scale,
                noise_scale_w,
                length_scale,
            ],
            outputs=[text_output, audio_output],
        )
 
    webbrowser.open("http://127.0.0.1:7860")
    app.launch(share=True)

运行后实现

 ​

4.Vits2和MB-iSTFT-VITS2的区别

MB-iSTFT-VITS2

不使用use_spk_conditioned_encoder，gin_channels

添加了：duration_discriminator_type，subbands，gen_istft_n_fft，gen_istft_hop_size

5.Q&A

5.1.在指定文字处理类型使用korean_cleaners2/cjke_cleaners2时，处理后数据为原文本

korean_cleaners正常使用

​

​

 应该出现的类型

​

如果使用cjke_cleaner的境况，格式要求备注语言格式

例如：英文使用

''' cjke type cleaners below '''
#- text for these cleaners must be labeled first
# ex1 (single) : some.wav|[EN]put some text here[EN]
# ex2 (multi) : some.wav|0|[EN]put some text here[EN]

中文使用

单人：audio.wav|[ZH]这是个语音文本[ZH]

多人：audio.wav|0|[ZH]这是个语音文本[ZH]

          audio1.wav|1|[ZH]这是个语音文本[ZH]

过程中遇到的问题及解决（PS） 

[PS1]训练时出现cuda out of m

解决办法：

• 修改batch size
• 修改num_workers=0

[PS2]训练后出现线程相关错误

Traceback (most recent call last):
  File "/opt/miniconda3/envs/vits/lib/python3.8/site-packages/torch/multiprocessing/spawn.py", line 69, in _wrap
    fn(i, *args)
  File "/workspace/tts/MB-iSTFT-VITS2/train.py", line 240, in run
    train_and_evaluate(rank, epoch, hps, [net_g, net_d, net_dur_disc], [optim_g, optim_d, optim_dur_disc],
  File "/workspace/tts/MB-iSTFT-VITS2/train.py", line 358, in train_and_evaluate
    scaler.scale(loss_gen_all).backward()
  File "/opt/miniconda3/envs/vits/lib/python3.8/site-packages/torch/_tensor.py", line 488, in backward
    torch.autograd.backward(
  File "/opt/miniconda3/envs/vits/lib/python3.8/site-packages/torch/autograd/__init__.py", line 197, in backward
    Variable._execution_engine.run_backward(  # Calls into the C++ engine to run the backward pass
RuntimeError: Detected mismatch between collectives on ranks. Rank 1 is running collective: CollectiveFingerPrint(OpType=ALLREDUCE, TensorShape=[5248002], TensorDtypes=Float, TensorDeviceTypes=TensorOptions(dtype=float (default), device=cuda, layout=Strided (default), requires_grad=false (default), pinned_memory=false (default), memory_format=(nullopt))), but Rank 0 is running collective: CollectiveFingerPrint(OpType=ALLREDUCE).

原因分析：

在jupyter lab时调用gpu后出现的错误。

解决方案：

重新再次训练后就解决了，再次训练时，会加载上次训练的权重文件。

第二次错误

​

 一个docker的容器正在训练，且占用了一半的显存

在另外的容器中训练时出现的问题，rank0被占用

在此之前需要了解的基础：DDP相关概念
rank：用于表示进程的编号/序号（在一些结构图中rank指的是软节点，rank可以看成一个计算单位），每一个进程对应了一个rank的进程，整个分布式由许多rank完成。
node：物理节点，可以是一台机器也可以是一个容器，节点内部可以有多个GPU。
rank与local_rank： rank是指在整个分布式任务中进程的序号；local_rank是指在一个node上进程的相对序号，local_rank在node之间相互独立。（注意：在代码中，会使用local_rank来指定GPU，并且local_rank和实际的gpu编号存在映射关系，比如，指定gpu 4,5进行训练，local_rank仍然是0,1，但前提是要先设置os.environ['CUDA_VISIBLE_DEVICES'] = "4,5"）。
nnodes、node_rank与nproc_per_node： nnodes是指物理节点数量，node_rank是物理节点的序号；nproc_per_node是指每个物理节点上面进程的数量。
word size ： 全局（一个分布式任务）中，rank的数量。可参考【1】

分布式训练中当rank被占用后，训练新进程如何改变rank数？【23】

可能是来自 DDP 和 SyncBatchNorm 的集合体相互冲突。再次训练后正常。原因未知，未解决！

[PS2-1]训练后出现ZeroDivisionError: integer division or modulo by zero

File "/workspace/TTS/MB-iSTFT-VITS2/train.py", line 274, in train_and_evaluate
    for batch_idx, (x, x_lengths, spec, spec_lengths, y, y_lengths) in enumerate(loader):
  File "/opt/conda/lib/python3.8/site-packages/torch/utils/data/dataloader.py", line 443, in __iter__
    return self._get_iterator()
  File "/opt/conda/lib/python3.8/site-packages/torch/utils/data/dataloader.py", line 389, in _get_iterator
    return _MultiProcessingDataLoaderIter(self)
  File "/opt/conda/lib/python3.8/site-packages/torch/utils/data/dataloader.py", line 1023, in __init__
    super(_MultiProcessingDataLoaderIter, self).__init__(loader)
  File "/opt/conda/lib/python3.8/site-packages/torch/utils/data/dataloader.py", line 638, in __init__
    self._sampler_iter = iter(self._index_sampler)
  File "/workspace/TTS/MB-iSTFT-VITS2/data_utils.py", line 418, in __iter__
    ids_bucket = ids_bucket + ids_bucket * (rem // len_bucket) + ids_bucket[:(rem % len_bucket)]
ZeroDivisionError: integer division or modulo by zero

出错原因

数据采样不同导致的，英文论文中网络对配置文件等都设置的是22050，如果不是这个采样率就会出错。

[PS3]API设置时出现，RuntimeError: Invalid device, must be cuda device

Traceback (most recent call last):
  File "aoi.py", line 55, in
    model.build_wav(0, "안녕하세요", "./test.wav")
  File "aoi.py", line 50, in build_wav
    audio = self.net_g.infer(x_tst, x_tst_lengths, sid=sid, noise_scale=.667, noise_scale_w=0.8, length_scale=1)[0][0,0].data.cpu().float().numpy()
  File "/workspace/tts/MB-iSTFT-VITS-multilingual/models.py", line 718, in infer
    o, o_mb = self.dec((z * y_mask)[:,:,:max_len], g=g)
  File "/usr/local/lib/python3.8/dist-packages/torch/nn/modules/module.py", line 1194, in _call_impl
    return forward_call(*input, **kwargs)
  File "/workspace/tts/MB-iSTFT-VITS-multilingual/models.py", line 344, in forward
    pqmf = PQMF(x.device)
  File "/workspace/tts/MB-iSTFT-VITS-multilingual/pqmf.py", line 78, in __init__
    analysis_filter = torch.from_numpy(h_analysis).float().unsqueeze(1).cuda(device)
RuntimeError: Invalid device, must be cuda device

原因分析

1.在不支持cuda（GPU）的机器上，把模型或者数据放到GPU中。

2.因为在训练别的程序，大概率是把卡所有的显存都用上了，所以导致显存不足。

解决办法，停掉正在训练的程序，改小batch size,减少显存占用量。

[PS4]RuntimeError: Error(s) in loading state_dict for SynthesizerTrn:
        size mismatch for enc_q.pre.weight: copying a param with shape torch.Size([192, 80, 1]) from checkpoint, the shape in current model is torch.Size([192, 513, 1]).

解决办法

将

net_g = SynthesizerTrn(
        len(symbols),
        hps.data.filter_length // 2 + 1,
        hps.train.segment_size // hps.data.hop_length,
        n_speakers=hps.data.n_speakers,
        **hps.model,
    ).to(device)

改为

    net_g = SynthesizerTrn(
    len(symbols),
    posterior_channels,
    hps.train.segment_size // hps.data.hop_length,
    n_speakers=hps.data.n_speakers, #- >0 for multi speaker
    **hps.model).to(device)

[PS5]TypeError: load_checkpoint() got an unexpected keyword argument 'skip_optimizer'

解决办法

将原本的

_ = utils.load_checkpoint(args.model, net_g, None, skip_optimizer=True)

改为

    _ = utils.load_checkpoint(args.model, net_g, None)

[PS6]api设置后运行是空白，编写gradio程序时候，发现任何代码运行起来都是一直显示Loading也不报错。

​

解决方案：

pip install gradio==3.12.0
或

pip install gradio==3.23.0

[PS6]ValueError: numpy.ndarray size changed, may indicate binary incompatibility. Expected 96 from C header, got 80 from PyObject

如果在推理时出现

可能是库没处理好，需要安装相关库

sudo apt-get install portaudio19-dev
sudo apt-get install python3-all-dev
pip install pyaudio
 
 
# 根据Ubuntu版本不同，有的可能需要apt安装，而不apt-get

[PS7]pip install pyopenjtalk 无法安装解决

 ​

出现相关问题大都是因为cmake没设置好

​

 因为环境要求里有pip 的cmake,apt也安装过camke，所以要卸载pip安装的cmake

一般pip安装的路径是/usr/local/bin/cmake 输入路径后，等一会就卸载好啦~

​

也可参考linux卸载cmake - CSDN文库

#查看现在使用的cmake的路径
which cmake
 
# 移除没有用的路径
 
# 更新路径
echo 'export PATH=/usr/local/bin:$PATH' >> ~/.bashrc
source ~/.bashrc

​

[PS8]不小心卸载pip后恢复

# 尝试 1：未解决
python -m ensurepip --upgrade
 
#解决方案
 
curl https://bootstrap.pypa.io/get-pip.py -o get-pip.py
python get-pip.py
pip --version

 ​

[PS9]Numpy is not available

​

 使用python inference.py可以运行，但是inference.ipynb中出现错误，错误原因可能是运行时中间代码有遗漏导致。把代码依次运行后就好啦~

RuntimeError: Numpy is not available

因为numpy版本与torch版本，python版本不适应

这里是torch1.14.0a0+410ce96

numpy==1.23.5

[PS10]self.transformer_flow_type 在 AVAILABLE_FLOW_TYPES 中，f "transformer_flow_type 必须是 {AVAILABLE_FLOW_TYPES} 中的一个"

原本想将所有推理文件都写到一个python文件中，中间差相关文件，在别的文件中可以找到。

[PS11]_pickle.UnpicklingError: invalid load key, '<'.

   下载权重文件出现错误，这里使用wget下载的权重文件，

[PS12]RuntimeError: PytorchStreamReader failed reading zip archive: failed finding central directory

在上面环境可行，下面的不行 

本以为是版本问题，但是换了个权重文件就可以啦，还是权重下载的问题。

[PS13]训练时遇到RuntimeError: Given groups=1, weight of size [192, 80, 1], expected input[64, 513, 470] to have 80 channels, but got 513 channels instead

 因为自定义了部分代码，所以出错，把模型中的代码换成原模型的代码就不会出错

[PS14]nltk_data下载失败

Traceback (most recent call last): File "/usr/local/lib/python3.8/dist-packages/nltk/corpus/util.py", line 84, in __load root = nltk.data.find(f"{self.subdir}/{zip_name}") File "/usr/local/lib/python3.8/dist-packages/nltk/data.py", line 583, in find raise LookupError(resource_not_found) LookupError: ********************************************************************** Resource [93mcmudict[0m not found. Please use the NLTK Downloader to obtain the resource: [31m>>> import nltk >>> nltk.download('cmudict') [0m For more information see: https://www.nltk.org/data.html Attempted to load [93mcorpora/cmudict.zip/cmudict/[0m Searched in: - '/root/nltk_data' - '/usr/nltk_data' - '/usr/share/nltk_data' - '/usr/lib/nltk_data' - '/usr/share/nltk_data' - '/usr/local/share/nltk_data' - '/usr/lib/nltk_data' - '/usr/local/lib/nltk_data' **********************************************************************

cd /usr/share

git clone https://github.com/nltk/nltk_data

ll /usr/share/nltk_data/

如果还是错误，查看路径是否正确，文件下应包含以下文件

[PS15]RuntimeError: PytorchStreamReader failed reading zip archive: failed finding central directory

错误原因分析：可能是由于 PyTorch 读取权重文件时出现问题导致的。

• 检查权重文件: 权重文件没有损坏，并且是有效的 PyTorch checkpoint 文件。

• 检查 PyTorch 版本: 确保代码和权重文件是相应版本的 PyTorch 创建的。如果权重文件是使用不同版本的 PyTorch 创建的，可能会导致加载失败。尽量保持一致的 PyTorch 版本。

• 重新保存权重文件

错误原因：服务器上传时出现错误和权重重命名中间遇到问题

解决方法：重新上传权重，未重命名后好使！

参考文献

【1】Pytorch多卡/多GPU/分布式DPP的基本概念_gpu rank_작은 여우的博客-CSDN博客 

【2】pytorch distributed 分布式训练_怎么修改local_rank-CSDN博客 

【3】Detected mismatch between collectives on ranks - distributed - PyTorch Forums