一、实时语音克隆原理简介

该项目实时语音克隆原理基于谷歌2017年发布的论文《Transfer Learning from Speaker Verification to Multispeaker Text-To-Speech Synthesis》

技术实现分成三个模块（Encoder、Synthesizer、Vocoder），

• encoder模块将说话人的声音转换成人声的数字编码（speaker embedding）

• synthesis 模块将文本转换成梅尔频谱（mel-spectrogram）

• vocoder模块将梅尔频谱（mel-spectrogram）转换成（波形）waveform 先提取说话者的声音提取音色向量（Speaker Encoder部分），然后用这部分内容加上Synthesizer和Vocoder一起完成语音合成。

二、MockingBird项目动手实践

MockingBird项目地址：http://github.com/babysor/MockingBird或者文末阅读原文可以访问

MockingBird的安装比较简单，按说明把Python环境（需要3.7及以上版本）、著名的机器学习框架PyTorch、著名的多媒体处理组件FFmpeg（实测在仅使用简单训练的时候是不需要它的）、pip安装下项目依赖库，再准备预训练模型就差不多了。

2.1 安装要求

>按照原始存储库测试您是否已准备好所有环境。**Python 3.7 或更高版本**需要运行工具箱。 *安装[PyTorch](https://pytorch.org/get-started/locally/)。 >如果在用pip方式安装的时候出现`ERROR:Couldnotfindaversionthatsatisfiestherequirementtorch==1.9.0+cu102(fromversions:0.1.2,0.1.2.post1,0.1.2.post2)`这个错误可能是python版本过低，3.9可以安装成功 *安装[ffmpeg](https://ffmpeg.org/download.html#get-packages)。 *运行`pipinstall-rrequirements.txt`来安装剩余的必要包。 *安装webrtcvad`pipinstallwebrtcvad-wheels`。 ###[](https://github.com/babysor/MockingBird/blob/main/README-CN.md#2-%E5%87%86%E5%A4%87%E9%A2%84%E8%AE%AD%E7%BB%83%E6%A8%A1%E5%9E%8B)2\.准备预训练模型 考虑训练您自己专属的模型或者下载社区他人训练好的模型: >近期创建了[知乎专题](https://www.zhihu.com/column/c_1425605280340504576)将不定期更新炼丹小技巧or心得，也欢迎提问 ####[](https://github.com/babysor/MockingBird/blob/main/README-CN.md#21-%E4%BD%BF%E7%94%A8%E6%95%B0%E6%8D%AE%E9%9B%86%E8%87%AA%E5%B7%B1%E8%AE%AD%E7%BB%83encoder%E6%A8%A1%E5%9E%8B-%E5%8F%AF%E9%80%89)2.1使用数据集自己训练encoder模型(可选) *进行音频和梅尔频谱图预处理：`pythonencoder_preprocess.py<datasets_root>`使用`-d{dataset}`指定数据集，支持librispeech_other，voxceleb1，aidatatang_200zh，使用逗号分割处理多数据集。 *训练encoder:`pythonencoder_train.pymy_run<datasets_root>/SV2TTS/encoder` >训练encoder使用了visdom。你可以加上`-no_visdom`禁用visdom，但是有可视化会更好。在单独的命令行/进程中运行"visdom"来启动visdom服务器。 ####[](https://github.com/babysor/MockingBird/blob/main/README-CN.md#22-%E4%BD%BF%E7%94%A8%E6%95%B0%E6%8D%AE%E9%9B%86%E8%87%AA%E5%B7%B1%E8%AE%AD%E7%BB%83%E5%90%88%E6%88%90%E5%99%A8%E6%A8%A1%E5%9E%8B%E4%B8%8E23%E4%BA%8C%E9%80%89%E4%B8%80)2.2使用数据集自己训练合成器模型（与2.3二选一） *下载数据集并解压：确保您可以访问*train*文件夹中的所有音频文件（如.wav） *进行音频和梅尔频谱图预处理：`pythonpre.py<datasets_root>-d{dataset}-n{number}`可传入参数： *`-d{dataset}`指定数据集，支持aidatatang_200zh,magicdata,aishell3,data_aishell,不传默认为aidatatang_200zh *`-n{number}`指定并行数，CPU11770k+32GB实测10没有问题 >假如你下载的`aidatatang_200zh`文件放在D盘，`train`文件路径为`D:\data\aidatatang_200zh\corpus\train`,你的`datasets_root`就是`D:\data\` *训练合成器：`pythonsynthesizer_train.pymandarin<datasets_root>/SV2TTS/synthesizer` *当您在训练文件夹*synthesizer/saved_models/*中看到注意线显示和损失满足您的需要时，请转到`启动程序`一步。 ####[](https://github.com/babysor/MockingBird/blob/main/README-CN.md#23%E4%BD%BF%E7%94%A8%E7%A4%BE%E5%8C%BA%E9%A2%84%E5%85%88%E8%AE%AD%E7%BB%83%E5%A5%BD%E7%9A%84%E5%90%88%E6%88%90%E5%99%A8%E4%B8%8E22%E4%BA%8C%E9%80%89%E4%B8%80)2.3使用社区预先训练好的合成器（与2.2二选一） >当实在没有设备或者不想慢慢调试，可以使用社区贡献的模型(下载后传入synthesizer/saved_models/): |作者|下载链接|效果预览|信息| |---|---|---|---| |作者|[https://pan.baidu.com/s/1iONvRxmkI-t1nHqxKytY3g](https://pan.baidu.com/s/1iONvRxmkI-t1nHqxKytY3g)[百度盘链接](https://pan.baidu.com/s/1iONvRxmkI-t1nHqxKytY3g)4j5d||75ksteps用3个开源数据集混合训练| |作者|[https://pan.baidu.com/s/1fMh9IlgKJlL2PIiRTYDUvw](https://pan.baidu.com/s/1fMh9IlgKJlL2PIiRTYDUvw)[百度盘链接](https://pan.baidu.com/s/1fMh9IlgKJlL2PIiRTYDUvw)提取码：om7f || 25k steps 用3个开源数据集混合训练, 切换到tag v0.0.1使用| |@FawenYo|[https://drive.google.com/file/d/1H-YGOUHpmqKxJ9FRc6vAjPuqQki24UbC/view?usp=sharing](https://drive.google.com/file/d/1H-YGOUHpmqKxJ9FRc6vAjPuqQki24UbC/view?usp=sharing)[百度盘链接](https://pan.baidu.com/s/1vSYXO4wsLyjnF3Unl-Xoxg)提取码：1024 |[input](https://github.com/babysor/MockingBird/wiki/audio/self_test.mp3)[output](https://github.com/babysor/MockingBird/wiki/audio/export.wav)|200ksteps台湾口音需切换到tagv0.0.1使用| |@miven|[https://pan.baidu.com/s/1PI-hM3sn5wbeChRryX-RCQ](https://pan.baidu.com/s/1PI-hM3sn5wbeChRryX-RCQ)提取码：2021 |[https://www.bilibili.com/video/BV1uh411B7AD/](https://www.bilibili.com/video/BV1uh411B7AD/)| 150k steps 注意：根据[issue](https://github.com/babysor/MockingBird/issues/37)修复并切换到tagv0.0.1使用| ####[](https://github.com/babysor/MockingBird/blob/main/README-CN.md#24%E8%AE%AD%E7%BB%83%E5%A3%B0%E7%A0%81%E5%99%A8-%E5%8F%AF%E9%80%89)2.4训练声码器(可选) 对效果影响不大，已经预置3款，如果希望自己训练可以参考以下命令。 *预处理数据:`pythonvocoder_preprocess.py<datasets_root>-m<synthesizer_model_path>` >`<datasets_root>`替换为你的数据集目录，`<synthesizer_model_path>`替换为一个你最好的synthesizer模型目录，例如*sythensizer\saved_mode\xxx* *训练wavernn声码器:`pythonvocoder_train.py<trainid><datasets_root>` >`<trainid>`替换为你想要的标识，同一标识再次训练时会延续原模型 *训练hifigan声码器:`pythonvocoder_train.py<trainid><datasets_root>hifigan` >`<trainid>`替换为你想要的标识，同一标识再次训练时会延续原模型

2.2 启动程序或工具箱

MockingBird在本地提供了一个B/S使用环境，运行python web.py后，用浏览器访问本地8080端口。输入框里的就是要合成的话术，传入的声音可以当场录音或者上传已录好的声音（需要wav格式），点击上传合成就可以稍后就可以听到AI克隆的声音。

除了可以运行web程序调试，还有功能更为丰富的工具箱可以自行试试。启动工具箱：python demo_toolbox.py -d <datasets_root>

三、一点感想

随着AI、元宇宙（AR/VR）技术的普及，虚拟世界的内容和形式都显得越来越真实，和真实世界的边界越来越模糊，交互也越来越容易。一方面，人类活动的疆界越来越大了，生活越加丰富。另一方面，我们可能更容易迷失于虚拟事物中，乱花渐欲迷人眼！

类似与AI模型从海量数据中，发现本质特征做合理的决策的过程，我们也需要维护好自己的“信息筛选及决策系统”，去客观地认识事物及笃定内心深处的追求。