语音转换(变声器)框架RVC常见问题解答

RVC(Retrieval-based-Voice-Conversion-WebUI)是一个基于VITS的简单易用的语音转换(变声器)框架,有些朋友在安装或使用过程中会遇到这样那样的问题,本篇教程是转载自GitHub仓库,以方便网络不太好的同学浏览学习。

RVC:一个基于VITS的简单易用的语音转换(变声器)框架-菜鸟AIGC资源社区

Q1:ffmpeg error/utf8 error.

大概率不是ffmpeg问题,而是音频路径问题;

ffmpeg读取路径带空格、()等特殊符号,可能出现ffmpeg error;训练集音频带中文路径,在写入filelist.txt的时候可能出现utf8 error;

Q2:一键训练结束没有索引

显示”Training is done. The program is closed.”则模型训练成功,后续紧邻的报错是假的;

一键训练结束完成没有added开头的索引文件,可能是因为训练集太大卡住了添加索引的步骤;已通过批处理add索引解决内存add索引对内存需求过大的问题。临时可尝试再次点击”训练索引”按钮。

Q3:训练结束推理没看到训练集的音色

点刷新音色再看看,如果还没有看看训练有没有报错,控制台和webui的截图,logs/实验名下的log,都可以发给开发者看看。

Q4:如何分享模型

  rvc_root/logs/实验名 下面存储的pth不是用来分享模型用来推理的,而是为了存储实验状态供复现,以及继续训练用的。用来分享的模型应该是weights文件夹下大小为60+MB的pth文件;

  后续将把weights/exp_name.pth和logs/exp_name/added_xxx.index合并打包成weights/exp_name.zip省去填写index的步骤,那么zip文件用来分享,不要分享pth文件,除非是想换机器继续训练;

  如果你把logs文件夹下的几百MB的pth文件复制/分享到weights文件夹下强行用于推理,可能会出现f0,tgt_sr等各种key不存在的报错。你需要用ckpt选项卡最下面,手工或自动(本地logs下如果能找到相关信息则会自动)选择是否携带音高、目标音频采样率的选项后进行ckpt小模型提取(输入路径填G开头的那个),提取完在weights文件夹下会出现60+MB的pth文件,刷新音色后可以选择使用。

Q5:Connection Error.

也许你关闭了控制台(黑色窗口)。

Q6:WebUI弹出Expecting value: line 1 column 1 (char 0).

请关闭系统局域网代理/全局代理。

这个不仅是客户端的代理,也包括服务端的代理(例如你使用autodl设置了http_proxy和https_proxy学术加速,使用时也需要unset关掉)

Q7:不用WebUI如何通过命令训练推理

训练脚本:

可先跑通WebUI,消息窗内会显示数据集处理和训练用命令行;训练前,按照你预先的前端训练的尝试生成的filelist.txt的格式准备一份filelist.txt

推理脚本:

https://huggingface.co/lj1995/VoiceConversionWebUI/blob/main/myinfer.py

例子:

runtime\python.exe myinfer.py 0 “E:\codes\py39\RVC-beta\todo-songs\1111.wav” “E:\codes\py39\logs\mi-test\added_IVF677_Flat_nprobe_7.index” harvest “test.wav” “weights/mi-test.pth” 0.6 cuda:0 True

f0up_key=sys.argv[1]

input_path=sys.argv[2]

index_path=sys.argv[3]

f0method=sys.argv[4]#harvest or pm

opt_path=sys.argv[5]

model_path=sys.argv[6]

index_rate=float(sys.argv[7])

device=sys.argv[8]

is_half=bool(sys.argv[9])

更新:0528v2

推理脚本:https://huggingface.co/lj1995/VoiceConversionWebUI/blob/main/myinfer-v2-0528.py

例子:

runtime\python.exe myinfer-v2-0528.py 0 “E:\codes\py39\RVC-beta\todo-songs\1111.wav” “E:\codes\py39\test-20230416b\logs\mi-test-v2\aadded_IVF677_Flat_nprobe_1_v2.index” harvest “test_v2.wav” “E:\codes\py39\test-20230416b\weights\mi-test-v2.pth” 0.66 cuda:0 True 3 0 1 0.33

f0up_key=sys.argv[1]

input_path=sys.argv[2]

index_path=sys.argv[3]

f0method=sys.argv[4]#harvest or pm or crepe

opt_path=sys.argv[5]

model_path=sys.argv[6]

index_rate=float(sys.argv[7])

device=sys.argv[8]

is_half=bool(sys.argv[9])

filter_radius=int(sys.argv[10])

resample_sr=int(sys.argv[11])

rms_mix_rate=float(sys.argv[12])

protect=float(sys.argv[13])

Q8:Cuda error/Cuda out of memory.

小概率是cuda配置问题、设备不支持;大概率是显存不够(out of memory);

训练的话缩小batch size(如果缩小到1还不够只能更换显卡训练),推理的话酌情缩小config.py结尾的x_pad,x_query,x_center,x_max。4G以下显存(例如1060(3G)和各种2G显卡)可以直接放弃,4G显存显卡还有救。

Q9:total_epoch调多少比较好

如果训练集音质差底噪大,20~30足够了,调太高,底模音质无法带高你的低音质训练集

如果训练集音质高底噪低时长多,可以调高,200是ok的(训练速度很快,既然你有条件准备高音质训练集,显卡想必条件也不错,肯定不在乎多一些训练时间)

Q10:需要多少训练集时长

  推荐10min至50min

  保证音质高底噪低的情况下,如果有个人特色的音色统一,则多多益善

  高水平的训练集(精简+音色有特色),5min至10min也是ok的,仓库作者本人就经常这么玩

  也有人拿1min至2min的数据来训练并且训练成功的,但是成功经验是其他人不可复现的,不太具备参考价值。这要求训练集音色特色非常明显(比如说高频气声较明显的萝莉少女音),且音质高;

  1min以下时长数据目前没见有人尝试(成功)过。不建议进行这种鬼畜行为。

Q11:index rate干嘛用的,怎么调(科普)

  如果底模和推理源的音质高于训练集的音质,他们可以带高推理结果的音质,但代价可能是音色往底模/推理源的音色靠,这种现象叫做”音色泄露”;

  index rate用来削减/解决音色泄露问题。调到1,则理论上不存在推理源的音色泄露问题,但音质更倾向于训练集。如果训练集音质比推理源低,则index rate调高可能降低音质。调到0,则不具备利用检索混合来保护训练集音色的效果;

  如果训练集优质时长多,可调高total_epoch,此时模型本身不太会引用推理源和底模的音色,很少存在”音色泄露”问题,此时index_rate不重要,你甚至可以不建立/分享index索引文件。

Q11:推理怎么选gpu

config.py文件里device cuda:后面选择卡号;

卡号和显卡的映射关系,在训练选项卡的显卡信息栏里能看到。

Q12:如何推理训练中间保存的pth

通过ckpt选项卡最下面提取小模型。

Q13:如何中断和继续训练

现阶段只能关闭WebUI控制台双击go-web.bat重启程序。网页参数也要刷新重新填写;

继续训练:相同网页参数点训练模型,就会接着上次的checkpoint继续训练。

Q14:训练时出现文件页面/内存error

进程开太多了,内存炸了。你可能可以通过如下方式解决

1、”提取音高和处理数据使用的CPU进程数” 酌情拉低;

2、训练集音频手工切一下,不要太长。

© 版权声明
THE END
喜欢就支持一下吧
点赞11 分享
评论 抢沙发

请登录后发表评论

    暂无评论内容