Style
This commit is contained in:
@@ -1,6 +1,6 @@
|
||||
import datetime
|
||||
import json
|
||||
from typing import Optional, Any, Union
|
||||
from typing import Any, Optional, Union
|
||||
|
||||
import gradio as gr
|
||||
|
||||
@@ -190,6 +190,7 @@ voice_pitch_keys = ["flow"]
|
||||
speech_style_keys = ["enc_p"]
|
||||
tempo_keys = ["sdp", "dp"]
|
||||
|
||||
|
||||
def make_interactive():
|
||||
return gr.update(interactive=True, value="音声合成")
|
||||
|
||||
@@ -204,27 +205,38 @@ def gr_util(item):
|
||||
else:
|
||||
return (gr.update(visible=False), gr.update(visible=True))
|
||||
|
||||
|
||||
null_models_frame = 0
|
||||
def change_null_model_row(null_model_index:int, null_model_name:str, null_model_path:str,null_voice_weights:float,
|
||||
null_voice_pitch_weights:float, null_speech_style_weights:float,null_tempo_weights:float,
|
||||
null_models:dict[int,dict[str, Any]]):
|
||||
#logger.debug("change_null_model_row:sta"+str(null_models))
|
||||
mid_result={}
|
||||
mid_result["name"]=null_model_name
|
||||
mid_result["path"]=null_model_path
|
||||
mid_result["weight"]=null_tempo_weights
|
||||
mid_result["pitch"]=null_voice_pitch_weights
|
||||
mid_result["style"]=null_speech_style_weights
|
||||
mid_result["tempo"]=null_tempo_weights
|
||||
|
||||
|
||||
def change_null_model_row(
|
||||
null_model_index: int,
|
||||
null_model_name: str,
|
||||
null_model_path: str,
|
||||
null_voice_weights: float,
|
||||
null_voice_pitch_weights: float,
|
||||
null_speech_style_weights: float,
|
||||
null_tempo_weights: float,
|
||||
null_models: dict[int, dict[str, Any]],
|
||||
):
|
||||
# logger.debug("change_null_model_row:sta"+str(null_models))
|
||||
mid_result = {}
|
||||
mid_result["name"] = null_model_name
|
||||
mid_result["path"] = null_model_path
|
||||
mid_result["weight"] = null_tempo_weights
|
||||
mid_result["pitch"] = null_voice_pitch_weights
|
||||
mid_result["style"] = null_speech_style_weights
|
||||
mid_result["tempo"] = null_tempo_weights
|
||||
null_models[null_model_index] = mid_result
|
||||
#logger.debug("decreasing:"+str(null_models_frame)+":"+str(len(null_models.keys())))
|
||||
# logger.debug("decreasing:"+str(null_models_frame)+":"+str(len(null_models.keys())))
|
||||
if null_models_frame < len(null_models.keys()):
|
||||
for i in range(null_models_frame ,len(null_models.keys())):
|
||||
for i in range(null_models_frame, len(null_models.keys())):
|
||||
_ = null_models.pop(i, None)
|
||||
result = null_models
|
||||
#logger.debug("change_null_model_row:res"+str(null_models))
|
||||
# logger.debug("change_null_model_row:res"+str(null_models))
|
||||
return result, True
|
||||
|
||||
|
||||
def create_inference_app(model_holder: TTSModelHolder) -> gr.Blocks:
|
||||
def tts_fn(
|
||||
model_name,
|
||||
@@ -248,8 +260,8 @@ def create_inference_app(model_holder: TTSModelHolder) -> gr.Blocks:
|
||||
speaker,
|
||||
pitch_scale,
|
||||
intonation_scale,
|
||||
null_models:dict[int, dict[str, Union[str, float]]],
|
||||
force_reload_model:bool
|
||||
null_models: dict[int, dict[str, Union[str, float]]],
|
||||
force_reload_model: bool,
|
||||
):
|
||||
model_holder.get_model(model_name, model_path)
|
||||
assert model_holder.current_model is not None
|
||||
@@ -307,8 +319,8 @@ def create_inference_app(model_holder: TTSModelHolder) -> gr.Blocks:
|
||||
speaker_id=speaker_id,
|
||||
pitch_scale=pitch_scale,
|
||||
intonation_scale=intonation_scale,
|
||||
null_model_params = null_models,
|
||||
force_reload_model = force_reload_model
|
||||
null_model_params=null_models,
|
||||
force_reload_model=force_reload_model,
|
||||
)
|
||||
except InvalidToneError as e:
|
||||
logger.error(f"Tone error: {e}")
|
||||
@@ -467,15 +479,18 @@ def create_inference_app(model_holder: TTSModelHolder) -> gr.Blocks:
|
||||
)
|
||||
with gr.Accordion(label="ヌルモデル", open=False):
|
||||
with gr.Row() as null_row:
|
||||
null_models_count = gr.Number(label="ヌルモデルの数", value=0, step=1)
|
||||
null_models_count = gr.Number(
|
||||
label="ヌルモデルの数", value=0, step=1
|
||||
)
|
||||
with gr.Column(variant="panel") as null_column:
|
||||
|
||||
@gr.render(
|
||||
inputs=[
|
||||
null_models_count,
|
||||
]
|
||||
)
|
||||
def render_style(
|
||||
null_models_count:int,
|
||||
null_models_count: int,
|
||||
):
|
||||
global null_models_frame
|
||||
null_models_frame = null_models_count
|
||||
@@ -484,28 +499,34 @@ def create_inference_app(model_holder: TTSModelHolder) -> gr.Blocks:
|
||||
null_model_index = gr.Number(
|
||||
value=i,
|
||||
key=f"null_model_index_{i}",
|
||||
visible=False
|
||||
visible=False,
|
||||
)
|
||||
null_model_name = gr.Dropdown(
|
||||
label="モデル一覧",
|
||||
choices=model_names,
|
||||
key=f"null_model_name_{i}",
|
||||
value=model_names[initial_id],
|
||||
interactive=True
|
||||
interactive=True,
|
||||
)
|
||||
if i in null_models.value:
|
||||
logger.debug(f"null model parameter exists in index {i}")
|
||||
null_model_name.value=null_models.value[i]["name"]
|
||||
logger.debug(
|
||||
f"null model parameter exists in index {i}"
|
||||
)
|
||||
null_model_name.value = null_models.value[i][
|
||||
"name"
|
||||
]
|
||||
null_model_path = gr.Dropdown(
|
||||
label="モデルファイル",
|
||||
choices=initial_pth_files,
|
||||
key=f"null_model_path_{i}",
|
||||
value=initial_pth_files[0],
|
||||
interactive=True
|
||||
interactive=True,
|
||||
)
|
||||
if i in null_models.value:
|
||||
#null_model_path.choices = #ToDo
|
||||
null_model_path.value=null_models.value[i]["path"]
|
||||
# null_model_path.choices = #ToDo
|
||||
null_model_path.value = null_models.value[i][
|
||||
"path"
|
||||
]
|
||||
null_voice_weights = gr.Slider(
|
||||
minimum=0,
|
||||
maximum=1,
|
||||
@@ -513,10 +534,12 @@ def create_inference_app(model_holder: TTSModelHolder) -> gr.Blocks:
|
||||
step=0.1,
|
||||
key=f"null_voice_weights_{i}",
|
||||
label="声質",
|
||||
interactive=True
|
||||
interactive=True,
|
||||
)
|
||||
if i in null_models.value:
|
||||
null_voice_weights.value=null_models.value[i]["weight"]
|
||||
null_voice_weights.value = null_models.value[i][
|
||||
"weight"
|
||||
]
|
||||
null_voice_pitch_weights = gr.Slider(
|
||||
minimum=0,
|
||||
maximum=1,
|
||||
@@ -524,10 +547,12 @@ def create_inference_app(model_holder: TTSModelHolder) -> gr.Blocks:
|
||||
step=0.1,
|
||||
key=f"null_voice_pitch_weights_{i}",
|
||||
label="声の高さ",
|
||||
interactive=True
|
||||
interactive=True,
|
||||
)
|
||||
if i in null_models.value:
|
||||
null_voice_pitch_weights.value=null_models.value[i]["pitch"]
|
||||
null_voice_pitch_weights.value = (
|
||||
null_models.value[i]["pitch"]
|
||||
)
|
||||
null_speech_style_weights = gr.Slider(
|
||||
minimum=0,
|
||||
maximum=1,
|
||||
@@ -535,10 +560,12 @@ def create_inference_app(model_holder: TTSModelHolder) -> gr.Blocks:
|
||||
step=0.1,
|
||||
key=f"null_speech_style_weights_{i}",
|
||||
label="話し方",
|
||||
interactive=True
|
||||
interactive=True,
|
||||
)
|
||||
if i in null_models.value:
|
||||
null_speech_style_weights.value=null_models.value[i]["style"]
|
||||
null_speech_style_weights.value = (
|
||||
null_models.value[i]["style"]
|
||||
)
|
||||
null_tempo_weights = gr.Slider(
|
||||
minimum=0,
|
||||
maximum=1,
|
||||
@@ -546,48 +573,93 @@ def create_inference_app(model_holder: TTSModelHolder) -> gr.Blocks:
|
||||
step=0.1,
|
||||
key=f"null_tempo_weights_{i}",
|
||||
label="テンポ",
|
||||
interactive=True
|
||||
interactive=True,
|
||||
)
|
||||
if i in null_models.value:
|
||||
null_tempo_weights.value=null_models.value[i]["tempo"]
|
||||
null_tempo_weights.value = null_models.value[i][
|
||||
"tempo"
|
||||
]
|
||||
null_model_name.change(
|
||||
model_holder.update_model_files_for_gradio,
|
||||
inputs=[null_model_name],
|
||||
outputs=[null_model_path],
|
||||
)
|
||||
#null_model_name.change(model_holder.refresh, outputs=[])
|
||||
null_model_path.change(make_non_interactive, outputs=[tts_button])
|
||||
#愚直すぎるのでもう少しなんとかしたい
|
||||
null_model_path.change(change_null_model_row,
|
||||
inputs=[null_model_index, null_model_name, null_model_path,null_voice_weights,
|
||||
null_voice_pitch_weights, null_speech_style_weights,null_tempo_weights,
|
||||
null_models],
|
||||
outputs=[null_models,force_reload_model]
|
||||
# null_model_name.change(model_holder.refresh, outputs=[])
|
||||
null_model_path.change(
|
||||
make_non_interactive, outputs=[tts_button]
|
||||
)
|
||||
null_voice_weights.change(change_null_model_row,
|
||||
inputs=[null_model_index, null_model_name, null_model_path,null_voice_weights,
|
||||
null_voice_pitch_weights, null_speech_style_weights,null_tempo_weights,
|
||||
null_models],
|
||||
outputs=[null_models,force_reload_model]
|
||||
# 愚直すぎるのでもう少しなんとかしたい
|
||||
null_model_path.change(
|
||||
change_null_model_row,
|
||||
inputs=[
|
||||
null_model_index,
|
||||
null_model_name,
|
||||
null_model_path,
|
||||
null_voice_weights,
|
||||
null_voice_pitch_weights,
|
||||
null_speech_style_weights,
|
||||
null_tempo_weights,
|
||||
null_models,
|
||||
],
|
||||
outputs=[null_models, force_reload_model],
|
||||
)
|
||||
null_voice_pitch_weights.change(change_null_model_row,
|
||||
inputs=[null_model_index, null_model_name, null_model_path,null_voice_weights,
|
||||
null_voice_pitch_weights, null_speech_style_weights,null_tempo_weights,
|
||||
null_models],
|
||||
outputs=[null_models,force_reload_model]
|
||||
null_voice_weights.change(
|
||||
change_null_model_row,
|
||||
inputs=[
|
||||
null_model_index,
|
||||
null_model_name,
|
||||
null_model_path,
|
||||
null_voice_weights,
|
||||
null_voice_pitch_weights,
|
||||
null_speech_style_weights,
|
||||
null_tempo_weights,
|
||||
null_models,
|
||||
],
|
||||
outputs=[null_models, force_reload_model],
|
||||
)
|
||||
null_speech_style_weights.change(change_null_model_row,
|
||||
inputs=[null_model_index, null_model_name, null_model_path,null_voice_weights,
|
||||
null_voice_pitch_weights, null_speech_style_weights,null_tempo_weights,
|
||||
null_models],
|
||||
outputs=[null_models,force_reload_model]
|
||||
null_voice_pitch_weights.change(
|
||||
change_null_model_row,
|
||||
inputs=[
|
||||
null_model_index,
|
||||
null_model_name,
|
||||
null_model_path,
|
||||
null_voice_weights,
|
||||
null_voice_pitch_weights,
|
||||
null_speech_style_weights,
|
||||
null_tempo_weights,
|
||||
null_models,
|
||||
],
|
||||
outputs=[null_models, force_reload_model],
|
||||
)
|
||||
null_tempo_weights.change(change_null_model_row,
|
||||
inputs=[null_model_index, null_model_name, null_model_path,null_voice_weights,
|
||||
null_voice_pitch_weights, null_speech_style_weights,null_tempo_weights,
|
||||
null_models],
|
||||
outputs=[null_models,force_reload_model]
|
||||
null_speech_style_weights.change(
|
||||
change_null_model_row,
|
||||
inputs=[
|
||||
null_model_index,
|
||||
null_model_name,
|
||||
null_model_path,
|
||||
null_voice_weights,
|
||||
null_voice_pitch_weights,
|
||||
null_speech_style_weights,
|
||||
null_tempo_weights,
|
||||
null_models,
|
||||
],
|
||||
outputs=[null_models, force_reload_model],
|
||||
)
|
||||
null_tempo_weights.change(
|
||||
change_null_model_row,
|
||||
inputs=[
|
||||
null_model_index,
|
||||
null_model_name,
|
||||
null_model_path,
|
||||
null_voice_weights,
|
||||
null_voice_pitch_weights,
|
||||
null_speech_style_weights,
|
||||
null_tempo_weights,
|
||||
null_models,
|
||||
],
|
||||
outputs=[null_models, force_reload_model],
|
||||
)
|
||||
|
||||
add_btn = gr.Button("ヌルモデルを増やす")
|
||||
del_btn = gr.Button("ヌルモデルを減らす")
|
||||
add_btn.click(
|
||||
@@ -659,7 +731,7 @@ def create_inference_app(model_holder: TTSModelHolder) -> gr.Blocks:
|
||||
pitch_scale,
|
||||
intonation_scale,
|
||||
null_models,
|
||||
force_reload_model
|
||||
force_reload_model,
|
||||
],
|
||||
outputs=[text_output, audio_output, tone, force_reload_model],
|
||||
)
|
||||
@@ -691,10 +763,12 @@ def create_inference_app(model_holder: TTSModelHolder) -> gr.Blocks:
|
||||
|
||||
return app
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
from config import get_path_config
|
||||
import torch
|
||||
|
||||
from config import get_path_config
|
||||
|
||||
path_config = get_path_config()
|
||||
assets_root = path_config.assets_root
|
||||
device = "cuda" if torch.cuda.is_available() else "cpu"
|
||||
|
||||
@@ -61,7 +61,7 @@ class TTSModel:
|
||||
|
||||
self.model_path: Path = model_path
|
||||
self.device: str = device
|
||||
self.null_model_params: dict[int, dict[str,Union[float, str]]] = {}
|
||||
self.null_model_params: dict[int, dict[str, Union[float, str]]] = {}
|
||||
|
||||
# ハイパーパラメータの Pydantic モデルが直接指定された
|
||||
if isinstance(config_path, HyperParameters):
|
||||
@@ -114,9 +114,9 @@ class TTSModel:
|
||||
device=self.device,
|
||||
hps=self.hyper_parameters,
|
||||
)
|
||||
if(len(self.null_model_params.keys())==0):
|
||||
if len(self.null_model_params.keys()) == 0:
|
||||
return
|
||||
|
||||
|
||||
for index, null_model in enumerate(self.null_model_params.keys()):
|
||||
null_model_add = get_net_g(
|
||||
model_path=str(self.null_model_params[index]["path"]),
|
||||
@@ -124,26 +124,39 @@ class TTSModel:
|
||||
device=self.device,
|
||||
hps=self.hyper_parameters,
|
||||
)
|
||||
#愚直。もっと上手い方法ありそう
|
||||
# 愚直。もっと上手い方法ありそう
|
||||
print(str(self.null_model_params[index]["weight"]))
|
||||
params = zip(self.__net_g.dec.parameters(), null_model_add.dec.parameters())
|
||||
for v in params:
|
||||
v[0].data.add_(v[1].data,alpha=float(self.null_model_params[index]["weight"]))
|
||||
params = zip(self.__net_g.flow.parameters(), null_model_add.flow.parameters())
|
||||
v[0].data.add_(
|
||||
v[1].data, alpha=float(self.null_model_params[index]["weight"])
|
||||
)
|
||||
params = zip(
|
||||
self.__net_g.flow.parameters(), null_model_add.flow.parameters()
|
||||
)
|
||||
for v in params:
|
||||
v[0].data.add_(v[1].data,alpha=float(self.null_model_params[index]["pitch"]))
|
||||
v[0].data.add_(
|
||||
v[1].data, alpha=float(self.null_model_params[index]["pitch"])
|
||||
)
|
||||
|
||||
params = zip(self.__net_g.enc_p.parameters(), null_model_add.enc_p.parameters())
|
||||
params = zip(
|
||||
self.__net_g.enc_p.parameters(), null_model_add.enc_p.parameters()
|
||||
)
|
||||
for v in params:
|
||||
v[0].data.add_(v[1].data,alpha=float(self.null_model_params[index]["style"]))
|
||||
#テンポはsdpとdp二つあるからとりあえずどっちも足す
|
||||
v[0].data.add_(
|
||||
v[1].data, alpha=float(self.null_model_params[index]["style"])
|
||||
)
|
||||
# テンポはsdpとdp二つあるからとりあえずどっちも足す
|
||||
params = zip(self.__net_g.sdp.parameters(), null_model_add.sdp.parameters())
|
||||
for v in params:
|
||||
v[0].data.add_(v[1].data,alpha=float(self.null_model_params[index]["tempo"]))
|
||||
v[0].data.add_(
|
||||
v[1].data, alpha=float(self.null_model_params[index]["tempo"])
|
||||
)
|
||||
params = zip(self.__net_g.dp.parameters(), null_model_add.dp.parameters())
|
||||
for v in params:
|
||||
v[0].data.add_(v[1].data,alpha=float(self.null_model_params[index]["tempo"]))
|
||||
|
||||
v[0].data.add_(
|
||||
v[1].data, alpha=float(self.null_model_params[index]["tempo"])
|
||||
)
|
||||
|
||||
def __get_style_vector(self, style_id: int, weight: float = 1.0) -> NDArray[Any]:
|
||||
"""
|
||||
@@ -258,8 +271,8 @@ class TTSModel:
|
||||
given_tone: Optional[list[int]] = None,
|
||||
pitch_scale: float = 1.0,
|
||||
intonation_scale: float = 1.0,
|
||||
null_model_params: dict[int,dict[str,Union[str, float]]] = {},
|
||||
force_reload_model:bool = False
|
||||
null_model_params: dict[int, dict[str, Union[str, float]]] = {},
|
||||
force_reload_model: bool = False,
|
||||
) -> tuple[int, NDArray[Any]]:
|
||||
"""
|
||||
テキストから音声を合成する。
|
||||
|
||||
Reference in New Issue
Block a user