VITS语音生成模型详解及中文语音生成训练

vits模型

VITS模型：另一种是Variational Inference with adversarial learning for end-to-end Text-to-Speech，它是一种结合变分推理（variational inference）、标准化流（normalizing flows）和对抗训练的高性能语音合成模型。VITS通过隐变量而非频谱串联起语音合成的声学模型和声码器，并在隐变量上执行随机建模以及随机时长预测器，以此提高合成语音的多样性。VITS模型在训练时会生成梅尔频谱以指导模型训练，但在推理时不需要生成梅尔频谱，而是使用线性谱作为输入。此外，VITS模型采用了基于标准化的流模型（normalizing flows）的变分推理（variational inference）策略和对抗学习策略来提升生成模型的表现力。

1 VITS模型介绍

        VITS（Variational Inference with adversarial learning for end-to-end Text-to-Speech）是一种结合变分推理（variational inference）、标准化流（normalizing flows）和对抗训练的高表现力语音合成模型。

        VITS模型是韩国科学院在2021年6月提出的，VITS通过隐变量而非频谱串联起来语音合成中的声学模型和声码器，在隐变量上进行随机建模并利用随机时长预测器，提高了合成语音的多样性，输入同样的文本，能够合成不同声调和韵律的语音。

        论文地址：VITS论文

2 VITS模型结构

VITS主要包括3块：

• 条件变分自编码器（Variational AutoEncoder，VAE）
• 从变分推断中产生的对齐估计
• 生成对抗训练

VITS 语音合成完全端到端TTS的里程碑，主要突破点如下：

（1）首个自然度超过2-stage架构SOTA的完全E2E模型。MOS4.43, 仅低于GT录音0.03。声称目前公开系统最好效果。

（2）得益于图像领域中把Flow引入VAE提升生成效果的研究，成功把Flow-VAE应用到了完全E2E的TTS任务中。

（3）训练非常简便，完全E2E。不需要像Fastspeech系列模型需要额外提pitch, energy等特征，也不像多数2-stage架构需要根据声学模型的输出来finetune声码器以达到最佳效果。

（4）摆脱了预设的声学谱作为链接声学模型和声码器的特征，成功的应用来VAE去E2E的学习隐性表示来链接两个模块

（5）多说话人模型自然度不下降，不像其他模型趋于持平GT录音MOS分

3 使用vits模型进行中文语音合成训练

（1）github项目下载：

git clone https://github.com/PlayVoice/vits_chinese

（2）运行环境搭建：

annoconda环境搭建详见：annoconda安装与使用

conda create -n vits pyton==3.9cd vits_chinesepip install -r requirements.txtcd monotonic_alignpython setup.py build_ext --inplace

(3)数据集下载：

下载标贝男声数据集，采样频率为22050，下载地址如下：

标贝男声数据集（第一个包）

标贝男声数据集（第二个包）

标贝男声数据集标注数据

下载完成后，将数据集解压缩后放到“vits_chinese/data/waves”目录下，标注数据放到

“vits_chinese/data”目录下

（4）预训练模型下载：

韵律模型下载：韵律模型

下载完成后，移动到“vits_chinese/bert/”目录下

（5）数据预处理：

修改配置文件：vi config/bert_vits.json

"max_wav_value": 32768.0,"sampling_rate": 22050,"filter_length": 1024,

python vits_prepare.py -c ./configs/bert_vits.json

(6)启动训练

python train.py -c configs/bert_vits.json -m bert_vits

（7）训练后推理

python vits_infer.py --config ./configs/bert_vits.json --model logs/bert_vits/G_400000.pth

其中G_400000.pth为训练后的模型，根据训练实际情况指定训练模型进行推理

 4 训练结果展示

经过1000个epoch训练后的语音生成效果如下：

https://download.csdn.net/download/lsb2002/87832170