带你5分钟训练你的AI音频模型，并用文本生成声音 - 有手就行 * { margin: 0; padding: 0; outline: 0; } body { font-family: “PingFang SC”, system-ui, -apple-system, BlinkMacSystemFont, “Helvetica Neue”, “Hiragino Sans GB”, “Microsoft YaHei UI”, “Microsoft YaHei”, Arial, sans-serif; line-height: 1.6; } .__page_content__ { max-width: 667px; margin: 0 auto; padding: 20px; text-size-adjust: 100%; color: rgba(0, 0, 0, 0.9); padding-bottom: 64px; } .title { user-select: text; font-size: 22px; line-height: 1.4; margin-bottom: 14px; font-weight: 500; } .__meta__ { color: rgba(0, 0, 0, 0.3); font-size: 15px; line-height: 20px; hyphens: auto; word-break: break-word; margin-bottom: 50px; } .__meta__ .nick_name { color: 576B95; } .__meta__ .copyright { color: rgba(0, 0, 0, 0.3); background-color: rgba(0, 0, 0, 0.05); padding: 0 4px; margin: 0 10px 10px 0; } blockquote.source { padding: 10px; margin: 30px 0; border-left: 5px solid ccc; color: #333; font-style: italic; word-wrap: break-word; } blockquote.source a { cursor: pointer; text-decoration: underline; } .item_show_type_0 > section { margin-top: 0; margin-bottom: 24px; } a { color: 576B95; text-decoration: none; cursor: default; } .text_content { margin-bottom: 50px; user-select: text; font-size: 17px; white-space: pre-wrap; word-wrap: break-word; line-height: 28px; hyphens: auto; } .picture_content .picture_item { margin-bottom: 30px; } .picture_content .picture_item .picture_item_label { text-align: center; } img { max-width: 100%; } .pay_subscribe_notice { margin: 30px 0; padding: 20px; background: fffbe6; border: 1px solid ffe58f; border-radius: 8px; } .pay_subscribe_badge { display: inline-block; padding: 4px 12px; background: faad14; color: fff; border-radius: 4px; font-size: 14px; font-weight: 500; margin-bottom: 12px; } .pay_subscribe_desc { font-size: 15px; line-height: 1.8; color: rgba(0, 0, 0, 0.7); margin-bottom: 12px; } .pay_subscribe_hint { font-size: 13px; color: rgba(0, 0, 0, 0.4); } .__bottom-bar__ { display: flex; justify-content: space-between; align-items: center; position: fixed; bottom: 0; left: 0; right: 0; height: 64px; padding: 8px 20px; background: white; box-sizing: border-box; border-top: 1px solid rgba(0, 0, 0, 0.2); } .__bottom-bar__ .left { display: flex; align-items: center; font-size: 15px; white-space: nowrap; } .__bottom-bar__ .right { display: flex; } .__bottom-bar__ .sns_opr_btn { display: flex; align-items: center; user-select: none; background: transparent; border: 0; color: rgba(0, 0, 0, 0.9); font-size: 14px; } .__bottom-bar__ .sns_opr_btn:not(:last-child) { margin-right: 16px; } .__bottom-bar__ .sns_opr_btn > img { margin-right: 4px; }

带你5分钟训练你的AI音频模型，并用文本生成声音 - 有手就行

原创 数字生命卡兹克 数字生命卡兹克 2023-05-10 22:46 天津

原文地址: https://mp.weixin.qq.com/s/R2MzLphF-lPzHsdRlVj7Uw

在上一篇文章中，我推荐了一个SVC（Singing Voice Conversion）项目，歌声转换，也就是类似变声器的玩意，抽取一个人的声音作为训练数据，训练一个神经网络模型，学习他的声线；然后用模型在目标歌曲上做推理，即可实现用自己的声线唱目标歌曲：

我把我的声音训练成了AI模型，并让它唱了一首歌…（附超全面教程，你奶奶看了都会用）

这个项目的质量确实极高，但是太硬核，太麻烦。

这篇文章，我想介绍一个有手就行的超级傻瓜的TTS（Text-to-Speech，文本生成音频）项目。

微软、讯飞等等其实已经有非常成熟的TTS方案了，但是都是封装好的，没法去训练自己的声音（虽然他们有这个业务，但是普通人根本付不起那价格，就约等于没法训练）。

今天我们直接去训练自己的TTS，虽然效果略显粗糙，但是胜在有手就行，安心便捷。

百度飞浆平台上的PaddleSpeech项目，俗称有手就行。

步骤很简单：

1. 准备数据集，十几段10秒以下的音频文件就可以。

2. 上飞浆平台租显卡，训练。

3. TTS推理，完成。

在开始玩之前，推荐大家去完成百度飞浆的新手任务，能白嫖100算力卡，等于100小时的V100 32G，25小时的A100 40G。属实是香的一笔。

网址在此：https://aistudio.baidu.com/aistudio/newbie，也可以注册完在个人中心点左下角的新手礼包。

极其简单的四步，几分钟就能搞定，约等于白给。

拿到算力卡之后，我们进入飞浆的AI studio的项目大厅。

**直接搜索四个字：语音合成。
**

第一个【有手就行】开头的那个就是。

点进去，然后我们点击运行一下。

等个一小会，就完成了，弹出让我们选显卡的弹窗，此处一定要注意，必须！必须选择V100 32G！！！必须！没有的话就刷新，直到刷到有为止！（不推荐A100是因为太贵了）

进入项目以后，我们就能看到这个项目详情，跟上一篇的SVC项目其实很类似，但是会大幅简化。我们啥也不用管，点顶部第二个小图标就行。全部运行。

点完了以后，你就会发现自动滑到了安装环境的位置，它就突突突的自己开始装环境了，你就等着就行。

当看到这句，运行时长和结束时间后，就说明环境装完了。

我们继续下一步。在左侧找到文件 untitled.streamlit.py ，双击文件打开。然后找到红框位置图标，点击使用浏览器打开。

然后你就会在浏览器打开一个新的标签页，可能会白屏1分钟左右，别慌，等着就行。

出现这个页面，就加载完成了，第一步当然是上传数据集啦，他们有几个要求，我给总结一下：

1. **优质干声，不要有杂音，一定不要有。
   **

2. 20段以上的2到9秒的wav格式音频。

3. 音频采样率必须在24000。

要求其实不多，你完全可以用手机录一个3到5分钟的音频，然后转成24000采样率的wav格式，用上一篇的Audio Slicer（音频切分）去切出来。

这里转采样率和wav格式的我推荐一个在线免费网站：

https://audio.online-convert.com/convert-to-wav

把音频传上去后，直接在这个位置改成24000采样率，然后start下载下来就行。

然后老规矩，跟上一篇一样，使用Audio Slicer（音频切分）去切音频，如果没有的话，关注我回复S，已经在整合包里了。

我们把Audio Slicer（音频切分）下载下来，解压后打开Slicer-gui。

然后把Minimun Length那一项改成8000，把我们需要处理的音频直接拖到左边窗口，在右下角选择输出路径。同时此处注意，任何路径和文件命名，都一定不要带有中文和特殊的比如空格之类的字符！！！

扔进去以后，我们直接点最右下角的Start。速度非常块，十几秒就切割完了。我们去我们选择的输出路径就能看到我们的文件。

然后我们选择时长排序，把低于2秒的，超过9秒的都给删了。数据集就算是处理完毕了~

回到我们的【有手就行】项目，我们把数据集上传上去。

传完了后，我们校验一下数据集。

校验完成以后，就会显示如下信息：

我们就可以开始训练了，是不是比SVC简单太多了哈哈~

这个训练只有1个参数，就是步数，10020000的区间，基本可以理解为越高质量越好但是训练时间越长，他的速度非常快，**我的建议是先跑100步，看看模型有没有什么大问题，比如不是人声之类的，没大问题的话再上1000020000步去跑。**

准备好了我们就直接微调训练，我这里先跑100步的。

V100 32G跑起来很快，我30条数据集，100步基本2分钟就可以跑完~

训练完成以后，直接点导出模型。

导出完成以后，我们就可以在此处选择的自己的模型了~

选完了以后，就可以输入文本，然后点击合成，非常块，几秒钟就能合成完~

我们听听，效果没啥大问题的话，直接回去改步数，20000步走起~

最后，不用项目的时候，别忘了停止哦~

写在最后

AI孙燕姿最近热火朝天，有越来越热的倾向。

也带着AI音频走向风口浪尖。

AI虽好，但是绝对不要拿未经授权的声音去训练，绝对不要做涉及隐私走在灰色边缘的事情。

以上，创作不易，有用的话请点个关注和在看，并给个星标，感恩。

数字生命卡兹克

 阅读 赞  分享 ‘%3E %3Cg transform=‘translate(0 -2.349)‘%3E %3Cpath d=‘M0 2.349h24v24H0z’/%3E %3Cpath fill=‘%23576B95’ d=‘M16.45 7.68c-.954 0-1.94.362-2.77 1.113l-1.676 1.676-1.853-1.838a3.787 3.787 0 0 0-2.63-.971 3.785 3.785 0 0 0-2.596 1.112 3.786 3.786 0 0 0-1.113 2.687c0 .97.368 1.938 1.105 2.679l7.082 6.527 7.226-6.678a3.787 3.787 0 0 0 .962-2.618 3.785 3.785 0 0 0-1.112-2.597A3.687 3.687 0 0 0 16.45 7.68zm3.473.243a4.985 4.985 0 0 1 1.464 3.418 4.98 4.98 0 0 1-1.29 3.47l-.017.02-7.47 6.903a.9.9 0 0 1-1.22 0l-7.305-6.73-.008-.01a4.986 4.986 0 0 1-1.465-3.535c0-1.279.488-2.56 1.465-3.536A4.985 4.985 0 0 1 7.494 6.46c1.24-.029 2.49.4 3.472 1.29l.01.01L12 8.774l.851-.85.01-.01c1.046-.951 2.322-1.434 3.59-1.434 1.273 0 2.52.49 3.472 1.442z’/%3E %3C/g%3E %3C/g%3E %3C/g%3E%3C/svg%3E) 推荐 ’ fill=‘%23000’ fill-opacity=’.9’/%3E%3C/svg%3E) 留言