Update, maybe v1.0

README.md

@@ -4,13 +4,14 @@ Bert-VITS2 with more controllable voice styles.
 
 This repository is based on [Bert-VITS2](https://github.com/fishaudio/Bert-VITS2) v2.1, so many thanks to the original author!
 
-## これは何？
+**概要**
+
 - [Bert-VITS2](https://github.com/fishaudio/Bert-VITS2)のv2.1を元に、正確に感情や発話スタイルを強弱混みで指定して音声を生成することができるようにしたものです。
-- [EasyBertVits2](https://github.com/Zuntan03/EasyBertVits2/)のように、GitやPythonがない人でも簡単にインストールできるやつもあります（まだ少し未検証）。
+- GitやPythonがない人でも（WindowsユーザーでNVIDIAのグラボがあるなら）簡単にインストールでき、学習もできます (多くを[EasyBertVits2](https://github.com/Zuntan03/EasyBertVits2/)からお借りしました)。
 
 ## 使い方
 
-詳しくは[こちら](docs/tutorial.md)を参照してください。
+<!-- 詳しくは[こちら](docs/tutorial.md)を参照してください。 -->
 
 ### インストール
 
@@ -18,11 +19,15 @@ Windows環境で最近のNVIDIA製グラボがあることを前提にしてい
 
 #### GitやPythonに馴染みが無い方
 
-[これ](https://github.com/litagin02/Style-Bert-VITS2/raw/master/scripts/Install-Style-Bert-VITS2.bat)をダウンロードして、スペースを含まない英数字のみのパスで実行してください（まだ動作未確認なので後でちゃんとチェックします）。
+1. [このzipファイル](TODO)をダウンロードして展開し、中にある`Install-Style-Bert-VITS2.bat`をダブルクリックします。
+2. 待つと自動で必要な環境がインストールされます。
+3. その後、自動的に音声合成するためのWebUIが起動したらインストール成功です。デフォルトのモデルがダウンロードされるので、そのまま遊ぶことができます。
+
+またアップデートをしたい場合は、`Update-Style-Bert-VITS2.bat`をダブルクリックしてください。
 
 #### GitやPython使える人
 
-Python 3.10で動作確認しています。
+Windowsの通常環境のPython 3.10で動作確認しています。
 
 ```bash
 git clone https://github.com/litagin02/Style-Bert-VITS2.git
@@ -39,7 +44,7 @@ python initialize.py
 
 `App.bat`をダブルクリックするとWebUIが起動します。
 
-ディレクトリ構造:
+合成に必要なモデルファイルたちは以下のように配置します。
 ```
 model_assets
 ├── your_model
@@ -67,11 +72,17 @@ model_assets
 
 - `Dataset.bat`をダブルクリックすると、音声ファイルからデータセットを作るためのWebUIが起動します。音声ファイルのみからでもこれを使って学習できます。
 
-## Bert-VITS2 v2.1と違う点
+## Bert-VITS2 v2.1との関係
+
+基本的にはBert-VITS2 v2.1のモデル構造を少し改造しただけです。[事前学習モデル](https://huggingface.co/litagin/style_bert_vits2_jvnv)も、実質Bert-VITS2 v2.1と同じものを使用しています（不要な重みを削ってsafetensorsに変換したもの）。
+
+具体的には以下の点が異なります。
+
+- [EasyBertVits2](https://github.com/Zuntan03/EasyBertVits2)のように、PythonやGitを知らない人でも簡単に使える。
 - 感情埋め込みのモデルを変更（[wav2vec2-large-robust-12-ft-emotion-msp-dim](https://huggingface.co/audeering/wav2vec2-large-robust-12-ft-emotion-msp-dim)から[wespeaker-voxceleb-resnet34-LM](https://huggingface.co/pyannote/wespeaker-voxceleb-resnet34-LM)へ、感情埋め込みというより正確には話者埋め込みが近い）
 - 埋め込みもベクトル量子化を取り払い、単なる全結合層に。
 - スタイルベクトルファイル`style_vectors.npy`を作ることで、そのスタイルを使って効果の強さも連続的に指定しつつ音声を生成することができる。
-- 各種WebUIを作成（事前準備・学習・スタイルベクトルの生成・音声合成）
+- 各種WebUIを作成
 - bf16での学習のサポート
 - safetensors形式のサポート、デフォルトでsafetensorsを使用するように
 - その他軽微なbugfixやリファクタリング
@@ -81,8 +92,6 @@ model_assets
 - [ ] 本家のver 2.1, 2.2, 2.3モデルの推論対応？（ver 2.1以外は明らかにめんどいのでたぶんやらない）
 - [ ] `server_fastapi.py`の対応、とくにAPIで使えるようになると嬉しい人が増えるのかもしれない
 
-## Bert-VITS2 v2.1と同じ点
-- [事前学習モデル](https://huggingface.co/litagin/style_bert_vits2_jvnv)は、実質Bert-VITS2 v2.1と同じものを使用しています（不要な重みを削ってsafetensorsに変換したもの）。
 
 ## 実験したいこと
 - [ ] 複数話者での学習の実験（原理的にはできるはず、スタイルがどう効くかが未知）

app.py

@@ -1,17 +1,18 @@
 import argparse
+import datetime
 import os
 import sys
+import warnings
 
 import gradio as gr
 import numpy as np
 import torch
-import warnings
 from gradio.processing_utils import convert_to_16_bit_wav
 
 import utils
+from config import config
 from infer import get_net_g, infer
 from tools.log import logger
-from config import config
 
 is_hf_spaces = os.getenv("SYSTEM") == "spaces"
 limit = 100
@@ -226,6 +227,8 @@ def tts_fn(
 
     assert model_holder.current_model is not None
 
+    start_time = datetime.datetime.now()
+
     sr, audio = model_holder.current_model.infer(
         text=text,
         language=language,
@@ -242,7 +245,10 @@ def tts_fn(
         style=emotion,
         emotion_weight=emotion_weight,
     )
-    return "Success", (sr, audio)
+
+    end_time = datetime.datetime.now()
+    duration = (end_time - start_time).total_seconds()
+    return f"Success, time: {duration} seconds.", (sr, audio)
 
 
 initial_text = "こんにちは、初めまして。あなたの名前はなんていうの？"
@@ -345,7 +351,8 @@ TODO: 現在のところはspeaker_id = 0に固定しており複数話者の合
 style_md = """
 - プリセットまたは音声ファイルから読み上げの声音・感情・スタイルのようなものを制御できます。
 - デフォルトのNeutralでも、十分に読み上げる文に応じた感情で感情豊かに読み上げられます。このスタイル制御は、それを重み付きで上書きするような感じです。
-- 重みを大きくしすぎると発音が変になったり声にならなかったりと崩壊することがあります。
+- 強さを大きくしすぎると発音が変になったり声にならなかったりと崩壊することがあります。
+- どのくらいに強さがいいかはモデルやスタイルによって異なるようです。
 - 音声ファイルを入力する場合は、学習データと似た声音の話者（特に同じ性別）でないとよい効果が出ないかもしれません。
 """
 
@@ -415,7 +422,7 @@ if __name__ == "__main__":
 
                 line_split = gr.Checkbox(label="改行で分けて生成", value=True)
                 split_interval = gr.Slider(
-                    minimum=0.1,
+                    minimum=0.0,
                     maximum=2,
                     value=0.5,
                     step=0.1,
@@ -464,11 +471,13 @@ if __name__ == "__main__":
                     value="プリセットから選ぶ",
                 )
                 style = gr.Dropdown(
-                    label="スタイル（Neutralが平均スタイル）", choices=["モデルをロードしてください"], value=0
+                    label="スタイル（Neutralが平均スタイル）",
+                    choices=["モデルをロードしてください"],
+                    value="モデルをロードしてください",
                 )
                 style_weight = gr.Slider(
                     minimum=0,
-                    maximum=20,
+                    maximum=50,
                     value=1,
                     step=0.1,
                     label="スタイルの強さ",

initialize.py

@@ -47,9 +47,9 @@ def download_jvnv_models():
         "jvnv-M1/config.json",
         "jvnv-M1/jvnv-M1.safetensors",
         "jvnv-M1/style_vectors.npy",
-        # "jvnv-M2/config.json",
+        "jvnv-M2/config.json",
-        # "jvnv-M2/jvnv-M2.safetensors",
+        "jvnv-M2/jvnv-M2.safetensors",
-        # "jvnv-M2/style_vectors.npy",
+        "jvnv-M2/style_vectors.npy",
     ]
     for file in files:
         if not Path(f"model_assets/{file}").exists():

models.py

@@ -5,6 +5,7 @@ import torch
 from torch import nn
 from torch.nn import Conv1d, Conv2d, ConvTranspose1d
 from torch.nn import functional as F
+from torch.nn.utils import remove_weight_norm, spectral_norm, weight_norm
 
 import attentions
 import commons
@@ -13,10 +14,6 @@ import monotonic_align
 from commons import get_padding, init_weights
 from text import num_languages, num_tones, symbols
 
-with warnings.catch_warnings():
-    warnings.simplefilter("ignore")
-    from torch.nn.utils import remove_weight_norm, spectral_norm, weight_norm
-
 
 class DurationDiscriminator(nn.Module):  # vits2
     def __init__(

modules.py

@@ -5,16 +5,13 @@ import torch
 from torch import nn
 from torch.nn import Conv1d
 from torch.nn import functional as F
+from torch.nn.utils import remove_weight_norm, weight_norm
 
 import commons
 from attentions import Encoder
 from commons import get_padding, init_weights
 from transforms import piecewise_rational_quadratic_transform
 
-with warnings.catch_warnings():
-    warnings.simplefilter("ignore")
-    from torch.nn.utils import remove_weight_norm, weight_norm
-
 LRELU_SLOPE = 0.1
 
 

scripts/Install-Style-Bert-VITS2.bat

@@ -1,14 +1,8 @@
 chcp 65001 > NUL
-@REM ↑文字コードのおまじないらしい
+@echo off
 
 @REM https://github.com/Zuntan03/EasyBertVits2 より引用・改変
 
-
-@REM 2. Style-Bert-VITS2.zip を解凍（名前がBert-VITS2-masterになる）
-@REM 3. Style-Bert-VITS2-master を Style-Bert-VITS2 にリネーム
-
-
-@echo off
 pushd %~dp0
 set PS_CMD=PowerShell -Version 5.1 -ExecutionPolicy Bypass
 
@@ -30,11 +24,13 @@ if %errorlevel% neq 0 ( pause & popd & exit /b %errorlevel% )
 %PS_CMD% Expand-Archive -Path Style-Bert-VITS2.zip -DestinationPath . -Force
 if %errorlevel% neq 0 ( pause & popd & exit /b %errorlevel% )
 
-@REM 元のzipを削除しStyle-Bert-VITS2-master を Style-Bert-VITS2 にリネーム
+@REM 元のzipを削除
 del Style-Bert-VITS2.zip
 if %errorlevel% neq 0 ( pause & popd & exit /b %errorlevel% )
 
-ren Style-Bert-VITS2-master Style-Bert-VITS2
+@REM Bert-VITS2-masterの中身をStyle-Bert-VITS2に上書き移動
+xcopy /QSY .\Style-Bert-VITS2-master .\Style-Bert-VITS2
+rmdir /s /q Style-Bert-VITS2-master
 
 @REM Pythonと仮想環境のセットアップを呼び出す（仮想環境が有効化されて戻ってくる）
 call Style-Bert-VITS2\scripts\Setup-Python.bat ..\..\lib\python ..\venv

scripts/Update-Style-Bert-VITS2.bat

@@ -0,0 +1,35 @@
+chcp 65001 > NUL
+@echo off
+
+pushd %~dp0
+set PS_CMD=PowerShell -Version 5.1 -ExecutionPolicy Bypass
+
+set CURL_CMD=C:\Windows\System32\curl.exe
+if not exist %CURL_CMD% (
+	echo [ERROR] %CURL_CMD% が見つかりません。
+	pause & popd & exit /b 1
+)
+
+@REM Style-Bert-VITS2.zip をGitHubのmasterの最新のものをダウンロード
+%CURL_CMD% -Lo Style-Bert-VITS2.zip^
+	https://github.com/litagin02/Style-Bert-VITS2/archive/refs/heads/master.zip
+if %errorlevel% neq 0 ( pause & popd & exit /b %errorlevel% )
+
+@REM Style-Bert-VITS2.zip を解凍（フォルダ名前がBert-VITS2-masterになる）
+%PS_CMD% Expand-Archive -Path Style-Bert-VITS2.zip -DestinationPath . -Force
+if %errorlevel% neq 0 ( pause & popd & exit /b %errorlevel% )
+
+@REM 元のzipを削除
+del Style-Bert-VITS2.zip
+if %errorlevel% neq 0 ( pause & popd & exit /b %errorlevel% )
+
+@REM Bert-VITS2-masterの中身をStyle-Bert-VITS2に上書き移動
+xcopy /QSY .\Style-Bert-VITS2-master .\Style-Bert-VITS2
+rmdir /s /q Style-Bert-VITS2-master
+if %errorlevel% neq 0 ( pause & popd & exit /b %errorlevel% )
+
+echo Style-Bert-VITS2のアップデートが完了しました。
+
+pause
+
+popd