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

互动数据

• 阅读：4877
• 点赞：64
• 转发：126
• 喜欢：13
• 留言：22

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。