314 lines
13 KiB
Python
314 lines
13 KiB
Python
import json
|
||
import os
|
||
|
||
import gradio as gr
|
||
import matplotlib.pyplot as plt
|
||
import numpy as np
|
||
from sklearn.cluster import AgglomerativeClustering, KMeans
|
||
from sklearn.manifold import TSNE
|
||
from config import config
|
||
|
||
MAX_CLUSTER_NUM = 10
|
||
DEFAULT_EMOTION: str = "Neutral"
|
||
|
||
tsne = TSNE(n_components=2, random_state=42, metric="cosine")
|
||
|
||
|
||
wav_files = []
|
||
x = np.array([])
|
||
x_tsne = None
|
||
mean = np.array([])
|
||
centroids = []
|
||
|
||
|
||
def load(model_name):
|
||
global wav_files, x, x_tsne, mean
|
||
wavs_dir = os.path.join("Data", model_name, "wavs")
|
||
wav_files = [
|
||
os.path.join(wavs_dir, wav_path)
|
||
for wav_path in os.listdir(wavs_dir)
|
||
if wav_path.endswith(".wav")
|
||
]
|
||
style_vectors = [np.load(f"{wav_path}.npy") for wav_path in wav_files]
|
||
x = np.array(style_vectors)
|
||
mean = np.mean(x, axis=0)
|
||
|
||
x_tsne = tsne.fit_transform(x)
|
||
|
||
plt.figure(figsize=(6, 6))
|
||
plt.scatter(x_tsne[:, 0], x_tsne[:, 1])
|
||
return plt
|
||
|
||
|
||
def do_clustering(n_clusters=4, method="KMeans"):
|
||
global centroids
|
||
if method == "KMeans":
|
||
model = KMeans(n_clusters=n_clusters, random_state=42, n_init="auto")
|
||
y_pred = model.fit_predict(x)
|
||
elif method == "Agglomerative":
|
||
model = AgglomerativeClustering(n_clusters=n_clusters)
|
||
y_pred = model.fit_predict(x)
|
||
elif method == "KMeans after t-SNE":
|
||
x_tsne = tsne.fit_transform(x)
|
||
model = KMeans(n_clusters=n_clusters, random_state=42, n_init="auto")
|
||
y_pred = model.fit_predict(x_tsne)
|
||
elif method == "Agglomerative after t-SNE":
|
||
x_tsne = tsne.fit_transform(x)
|
||
model = AgglomerativeClustering(n_clusters=n_clusters)
|
||
y_pred = model.fit_predict(x_tsne)
|
||
else:
|
||
raise ValueError("Invalid method")
|
||
|
||
centroids = []
|
||
for i in range(n_clusters):
|
||
centroids.append(np.mean(x[y_pred == i], axis=0))
|
||
|
||
return y_pred, centroids
|
||
|
||
|
||
def closest_wav_files():
|
||
# centroidを強調した点からの距離が最も近い音声を選ぶ
|
||
centroid_enhanced = mean + 5 * (centroids - mean)
|
||
closest_wav_files = []
|
||
indices = []
|
||
for i in range(len(centroids)):
|
||
index = np.argmin(np.linalg.norm(x - centroid_enhanced[i], axis=1))
|
||
indices.append(index)
|
||
closest_wav_files.append(wav_files[index])
|
||
return closest_wav_files, indices
|
||
|
||
|
||
def do_clustering_gradio(n_clusters=4, method="KMeans"):
|
||
global x_tsne, centroids
|
||
y_pred, centroids = do_clustering(n_clusters, method)
|
||
representatives, indices = closest_wav_files()
|
||
|
||
if x_tsne is None:
|
||
x_tsne = tsne.fit_transform(x)
|
||
|
||
cmap = plt.get_cmap("tab10")
|
||
plt.figure(figsize=(6, 6))
|
||
for i in range(n_clusters):
|
||
plt.scatter(
|
||
x_tsne[y_pred == i, 0],
|
||
x_tsne[y_pred == i, 1],
|
||
color=cmap(i),
|
||
label=f"Style {i + 1}",
|
||
)
|
||
plt.legend()
|
||
|
||
plt.scatter(x_tsne[indices, 0], x_tsne[indices, 1], c="black", marker="x", s=100)
|
||
|
||
return (
|
||
[plt]
|
||
+ [gr.Audio(wav_path, visible=True) for wav_path in representatives]
|
||
+ [gr.update(visible=False)] * (MAX_CLUSTER_NUM - n_clusters)
|
||
+ [
|
||
gr.Markdown(
|
||
value=f"Style {i + 1}: {os.path.basename(wav_path)}", visible=True
|
||
)
|
||
for i, wav_path in enumerate(representatives)
|
||
]
|
||
+ [gr.update(visible=False)] * (MAX_CLUSTER_NUM - n_clusters)
|
||
)
|
||
|
||
|
||
def save_style_vectors(model_name, style_names: str):
|
||
"""centerとcentroidsを保存する"""
|
||
result_dir = os.path.join(config.out_dir, model_name)
|
||
os.makedirs(result_dir, exist_ok=True)
|
||
style_vectors = np.stack([mean] + centroids)
|
||
style_vector_path = os.path.join(result_dir, "style_vectors.npy")
|
||
np.save(style_vector_path, style_vectors)
|
||
|
||
# config.jsonの更新
|
||
config_path = os.path.join(result_dir, "config.json")
|
||
if not os.path.exists(config_path):
|
||
return f"{config_path}が存在しません。"
|
||
style_name_list = [DEFAULT_EMOTION]
|
||
style_name_list = style_name_list + style_names.split(",")
|
||
if len(style_name_list) != len(centroids) + 1:
|
||
return f"スタイルの数が合いません。`,`で正しく{len(centroids)}個に区切られているか確認してください: {style_names}"
|
||
style_name_list = [name.strip() for name in style_name_list]
|
||
|
||
with open(config_path, "r") as f:
|
||
json_dict = json.load(f)
|
||
json_dict["data"]["num_styles"] = len(style_name_list)
|
||
style_dict = {name: i for i, name in enumerate(style_name_list)}
|
||
json_dict["data"]["style2id"] = style_dict
|
||
with open(config_path, "w") as f:
|
||
json.dump(json_dict, f, indent=2)
|
||
return f"成功!\n{style_vector_path}に保存し{config_path}を更新しました。"
|
||
|
||
|
||
def save_style_vectors_from_files(model_name, audio_files_text, style_names_text):
|
||
"""音声ファイルからスタイルベクトルを作成して保存する"""
|
||
global mean
|
||
if len(x) == 0:
|
||
return "Error: スタイルベクトルを読み込んでください。"
|
||
mean = np.mean(x, axis=0)
|
||
|
||
result_dir = os.path.join(config.out_dir, model_name)
|
||
os.makedirs(result_dir, exist_ok=True)
|
||
audio_files = audio_files_text.split(",")
|
||
style_names = style_names_text.split(",")
|
||
if len(audio_files) != len(style_names):
|
||
return f"音声ファイルとスタイル名の数が合いません。`,`で正しく{len(style_names)}個に区切られているか確認してください: {audio_files_text}と{style_names_text}"
|
||
audio_files = [name.strip() for name in audio_files]
|
||
style_names = [name.strip() for name in style_names]
|
||
style_vectors = [mean]
|
||
|
||
wavs_dir = os.path.join("Data", model_name, "wavs")
|
||
for audio_file in audio_files:
|
||
path = os.path.join(wavs_dir, audio_file)
|
||
if not os.path.exists(path):
|
||
return f"{path}が存在しません。"
|
||
style_vectors.append(np.load(f"{path}.npy"))
|
||
style_vectors = np.stack(style_vectors)
|
||
style_vector_path = os.path.join(result_dir, "style_vectors.npy")
|
||
if os.path.exists(style_vector_path):
|
||
return f"{style_vector_path}が既に存在します。削除するか別の名前にバックアップしてください。"
|
||
np.save(style_vector_path, style_vectors)
|
||
|
||
# config.jsonの更新
|
||
config_path = os.path.join(result_dir, "config.json")
|
||
if not os.path.exists(config_path):
|
||
return f"{config_path}が存在しません。"
|
||
style_name_list = [DEFAULT_EMOTION]
|
||
style_name_list = style_name_list + style_names
|
||
assert len(style_name_list) == len(style_vectors)
|
||
|
||
with open(config_path, "r") as f:
|
||
json_dict = json.load(f)
|
||
json_dict["data"]["num_styles"] = len(style_name_list)
|
||
style_dict = {name: i for i, name in enumerate(style_name_list)}
|
||
json_dict["data"]["style2id"] = style_dict
|
||
|
||
with open(config_path, "w") as f:
|
||
json.dump(json_dict, f, indent=2)
|
||
return f"成功!\n{style_vector_path}に保存し{config_path}を更新しました。"
|
||
|
||
|
||
initial_md = f"""
|
||
# Style Bert-VITS2 スタイルベクトルの作成
|
||
|
||
Style-Bert-VITS2でこまかくスタイルを指定して音声合成するには、モデルごとにスタイルベクトルのファイル`style_vectors.npy`を手動で作成する必要があります。
|
||
|
||
ただし、学習の過程で自動的に平均スタイル「Neutral」のみは作成されるので、それをそのまま使うこともできます（その場合はこのWebUIは使いません）。
|
||
|
||
このプロセスは学習とは全く関係がないので、何回でも独立して繰り返して試せます。また学習中にもたぶん軽いので動くはずです。
|
||
|
||
## 方法
|
||
|
||
- 方法1: 音声ファイルを自動でスタイル別に分け、その各スタイルの平均を取って保存
|
||
- 方法2: スタイルを代表する音声ファイルを手動で選んで、その音声のスタイルベクトルを保存
|
||
- 方法3: 自分でもっと頑張ってこだわって作る（JVNVコーパスなど、もともとスタイルラベル等が利用可能な場合はこれがよいかも）
|
||
"""
|
||
|
||
method1 = """
|
||
学習の時に取り出したスタイルベクトルを読み込んで、可視化を見ながらスタイルを分けていきます。
|
||
|
||
手順:
|
||
1. 図を眺める
|
||
2. スタイル数を決める（平均スタイルを除く）
|
||
3. スタイル分けを行って結果を確認
|
||
4. スタイルの名前を決めて保存
|
||
|
||
|
||
詳細: スタイルベクトル(256次元)たちを適当なアルゴリズムでクラスタリングして、各クラスタの中心のベクトル（と全体の平均ベクトル）を保存します。
|
||
|
||
平均スタイル（{DEFAULT_EMOTION}）は自動的に保存されます。
|
||
"""
|
||
|
||
with gr.Blocks(theme="NoCrypt/miku") as app:
|
||
gr.Markdown(initial_md)
|
||
with gr.Row():
|
||
model_name = gr.Textbox("your_model_name", label="モデル名")
|
||
load_button = gr.Button("スタイルベクトルを読み込む", variant="primary")
|
||
output = gr.Plot(label="音声スタイルの可視化")
|
||
load_button.click(load, inputs=[model_name], outputs=[output])
|
||
with gr.Tab("方法1: スタイル分けを自動で行う"):
|
||
n_clusters = gr.Slider(
|
||
minimum=2,
|
||
maximum=10,
|
||
step=1,
|
||
value=4,
|
||
label="作るスタイルの数（平均スタイルを除く）",
|
||
info="上の図を見ながらスタイルの数を試行錯誤してください。",
|
||
)
|
||
c_method = gr.Radio(
|
||
choices=[
|
||
"Agglomerative after t-SNE",
|
||
"KMeans after t-SNE",
|
||
"Agglomerative",
|
||
"KMeans",
|
||
],
|
||
label="アルゴリズム",
|
||
info="分類する（クラスタリング）アルゴリズムを選択します。いろいろ試してみてください。",
|
||
value="Agglomerative after t-SNE",
|
||
)
|
||
c_button = gr.Button("スタイル分けを実行")
|
||
audio_list = []
|
||
md_list = []
|
||
gr.Markdown("スタイル分けの結果と、各スタイルの特徴的な代表音声（図の黒い x 印）")
|
||
gr.Markdown("注意: もともと256次元なものをを2次元に落としているので、正確なベクトルの位置関係ではありません。")
|
||
with gr.Row():
|
||
gr_plot = gr.Plot()
|
||
with gr.Row():
|
||
for i in range(MAX_CLUSTER_NUM):
|
||
with gr.Column():
|
||
md_list.append(gr.Markdown(visible=False))
|
||
audio_list.append(
|
||
gr.Audio(
|
||
visible=False,
|
||
scale=1,
|
||
show_label=True,
|
||
label=f"スタイル{i+1}",
|
||
)
|
||
)
|
||
c_button.click(
|
||
do_clustering_gradio,
|
||
inputs=[n_clusters, c_method],
|
||
outputs=[gr_plot] + audio_list + md_list,
|
||
)
|
||
gr.Markdown("結果が良さそうなら、これを保存します。")
|
||
style_names = gr.Textbox(
|
||
"Angry, Sad, Happy",
|
||
label="スタイルの名前",
|
||
info=f"スタイルの名前を`,`で区切って入力してください（日本語可）。例: `Angry, Sad, Happy`や`怒り, 悲しみ, 喜び`など。平均音声は{DEFAULT_EMOTION}として自動的に保存されます。",
|
||
)
|
||
with gr.Row():
|
||
save_button = gr.Button("スタイルベクトルを保存", variant="primary")
|
||
info2 = gr.Textbox(label="保存結果")
|
||
|
||
save_button.click(
|
||
save_style_vectors, inputs=[model_name, style_names], outputs=[info2]
|
||
)
|
||
with gr.Tab("方法2: 手動でスタイルを選ぶ"):
|
||
gr.Markdown("下のテキスト欄に、各スタイルの代表音声のファイル名を`,`区切りで、その横に対応するスタイル名を`,`区切りで入力してください。")
|
||
gr.Markdown("例: `angry.wav, sad.wav, happy.wav`と`Angry, Sad, Happy`")
|
||
gr.Markdown(
|
||
f"注意: {DEFAULT_EMOTION}スタイルは自動的に保存されます、手動では{DEFAULT_EMOTION}という名前のスタイルは指定しないでください。"
|
||
)
|
||
with gr.Row():
|
||
audio_files_text = gr.Textbox(
|
||
label="音声ファイル名", placeholder="angry.wav, sad.wav, happy.wav"
|
||
)
|
||
style_names_text = gr.Textbox(
|
||
label="スタイル名", placeholder="Angry, Sad, Happy"
|
||
)
|
||
with gr.Row():
|
||
save_button3 = gr.Button("スタイルベクトルを保存", variant="primary")
|
||
info3 = gr.Textbox(label="保存結果")
|
||
save_button3.click(
|
||
save_style_vectors_from_files,
|
||
inputs=[model_name, audio_files_text, style_names_text],
|
||
outputs=[info3],
|
||
)
|
||
with gr.Tab("方法3: がんばる"):
|
||
gr.Markdown(
|
||
"`clustering.ipynb`にjvnvコーパスの場合の作り方とかクラスタ分けのいろいろを書いています。これを参考に自分で頑張って作ってください。"
|
||
)
|
||
|
||
app.launch(inbrowser=True)
|