HF whisper to default, docs in webui

gradio_tabs/dataset.py

@@ -43,7 +43,6 @@ def do_transcribe(
     compute_type,
     language,
     initial_prompt,
-    device,
     use_hf_whisper,
     batch_size,
     num_beams,
@@ -60,8 +59,6 @@ def do_transcribe(
         whisper_model,
         "--compute_type",
         compute_type,
-        "--device",
-        device,
         "--language",
         language,
         "--initial_prompt",
@@ -113,6 +110,9 @@ Style-Bert-VITS2の学習用データセットを作成するためのツール
 
 def create_dataset_app() -> gr.Blocks:
     with gr.Blocks() as app:
+        gr.Markdown(
+            "**既に1ファイル2-12秒程度の音声ファイル集とその書き起こしデータがある場合は、このタブは使用せずに学習できます。**"
+        )
         with gr.Accordion("使い方", open=False):
             gr.Markdown(how_to_md)
         model_name = gr.Textbox(
@@ -173,12 +173,12 @@ def create_dataset_app() -> gr.Blocks:
                 )
                 use_hf_whisper = gr.Checkbox(
                     label="HuggingFaceのWhisperを使う（速度が速いがVRAMを多く使う）",
+                    value=True,
                 )
                 hf_repo_id = gr.Dropdown(
                     ["openai/whisper", "kotoba-tech/kotoba-whisper-v1.1"],
                     label="HuggingFaceのWhisperモデル",
                     value="openai/whisper",
-                    visible=False,
                 )
                 compute_type = gr.Dropdown(
                     [
@@ -193,6 +193,7 @@ def create_dataset_app() -> gr.Blocks:
                     ],
                     label="計算精度",
                     value="bfloat16",
+                    visible=False,
                 )
                 batch_size = gr.Slider(
                     minimum=1,
@@ -201,9 +202,7 @@ def create_dataset_app() -> gr.Blocks:
                     step=1,
                     label="バッチサイズ",
                     info="大きくすると速度が速くなるがVRAMを多く使う",
-                    visible=False,
                 )
-                device = gr.Radio(["cuda", "cpu"], label="デバイス", value="cuda")
                 language = gr.Dropdown(["ja", "en", "zh"], value="ja", label="言語")
                 initial_prompt = gr.Textbox(
                     label="初期プロンプト",
@@ -240,7 +239,6 @@ def create_dataset_app() -> gr.Blocks:
                 compute_type,
                 language,
                 initial_prompt,
-                device,
                 use_hf_whisper,
                 batch_size,
                 num_beams,
@@ -253,10 +251,9 @@ def create_dataset_app() -> gr.Blocks:
                 gr.update(visible=x),
                 gr.update(visible=x),
                 gr.update(visible=not x),
-                gr.update(visible=not x),
             ),
             inputs=[use_hf_whisper],
-            outputs=[hf_repo_id, batch_size, compute_type, device],
+            outputs=[hf_repo_id, batch_size, compute_type],
         )
 
     return app

gradio_tabs/train.py

@@ -411,7 +411,7 @@ change_log_md = """
 - `raw/`フォルダの中で音声をサブディレクトリに分けて配置することで、自動的にスタイルが作成されるようになりました。詳細は下の「使い方/データの前準備」を参照してください。
 - これまでは1ファイルあたり14秒程度を超えた音声ファイルは学習には用いられていませんでしたが、Ver 2.5以降では「カスタムバッチサンプラーを使わない」にチェックを入れることでその制限が無しに学習できるようになりました（デフォルトはオフ）。ただし:
     - 音声ファイルが長い場合の学習効率は悪いかもしれず、挙動も確認していません
-    - この変更で要求VRAMがかなり増えるので、学習に失敗したりVRAM不足になる場合は、バッチサイズを小さくするか、チェックを外してください
+    - チェックを入れると要求VRAMがかなり増えるようので、学習に失敗したりVRAM不足になる場合は、バッチサイズを小さくするか、チェックを外してください
 """
 
 how_to_md = """