English Documentation Please Click here

VITS 快速微调

这个代码库会指导你如何将自定义角色（甚至你自己），加入预训练的VITS模型中，在1小时内的微调使模型具备如下功能：

1. 在 模型所包含的任意两个角色 之间进行声线转换
2. 以 你加入的角色声线 进行中日英三语 文本到语音合成。

本项目使用的底模涵盖常见二次元男/女配音声线（来自原神数据集）以及现实世界常见男/女声线（来自VCTK数据集），支持中日英三语，保证能够在微调时快速适应新的声线。

欢迎体验微调所使用的底模！

中日英： 作者：我

中日： 作者：SayaSS

目前支持的任务:

• 从 10条以上的短音频 克隆角色声音
• 从 3分钟以上的长音频（单个音频只能包含单说话人） 克隆角色声音
• 从 3分钟以上的视频（单个视频只能包含单说话人） 克隆角色声音
• 通过输入 bilibili视频链接（单个视频只能包含单说话人） 克隆角色声音

目前支持声线转换和中日英三语TTS的角色

• 任意角色（只要你有角色的声音样本） （注意：声线转换只能在任意两个存在于模型中的说话人之间进行）

微调

建议使用 Google Colab 进行微调任务，因为VITS在多语言情况下的某些环境依赖相当难以配置。

在Google Colab里，我需要花多长时间？

1. 安装依赖 (3 min)
2. 选择预训练模型，详细区别参见Colab 笔记本页面。
3. 上传你希望加入的其它角色声音，详细上传方式见DATA.MD
4. 进行微调，根据选择的微调方式和样本数量不同，花费时长可能在20分钟到2小时不等。

微调结束后可以直接下载微调好的模型，日后在本地运行（不需要GPU）

本地运行和推理

0. 记得下载微调好的模型和config文件！
1. 下载最新的Release包（在Github页面的右侧）
2. 把下载的模型和config文件放在 inference文件夹下, 其文件名分别为 G_latest.pth 和 finetune_speaker.json。
3. 一切准备就绪后，文件结构应该如下所示:

inference
├───inference.exe
├───...
├───finetune_speaker.json
└───G_latest.pth

4. 运行 inference.exe, 浏览器会自动弹出窗口, 注意其所在路径不能有中文字符或者空格.

在MoeGoe使用

0. MoeGoe以及类似其它VITS推理UI使用的config格式略有不同，需要下载的文件为模型G_latest.pth和配置文件moegoe_config.json
1. 按照MoeGoe页面的提示配置路径即可使用。
2. MoeGoe在输入句子时需要使用相应的语言标记包裹句子才能正常合成。（日语用[JA], 中文用[ZH], 英文用[EN]），例如：
   [JA]こんにちわ。[JA]
   [ZH]你好！[ZH]
   [EN]Hello![EN]

帮助

如果你在使用过程中遇到了任何问题，可以在这里开一个issue，或者加入Discord服务器寻求帮助：Discord。