347 lines
15 KiB
Python
347 lines
15 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
|
||
|
||
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 + 10 * (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_only_mean(model_name):
|
||
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。"
|
||
result_dir = os.path.join(config.out_dir, model_name)
|
||
os.makedirs(result_dir, exist_ok=True)
|
||
mean = np.mean(x, axis=0)
|
||
style_vectors = np.stack([mean])
|
||
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。"
|
||
with open(config_path, "r") as f:
|
||
json_dict = json.load(f)
|
||
json_dict["data"]["num_styles"] = 1
|
||
json_dict["data"]["style2id"] = {"Neutral": 0}
|
||
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(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")
|
||
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 = ["Neutral"]
|
||
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 = ["Neutral"]
|
||
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 = """
|
||
# Style Bert-VITS2 スタイルベクトルの作成
|
||
|
||
Style-Bert-VITS2で音声合成するには、スタイルベクトルのファイル`style_vectors.npy`が必要です。これをモデルごとに作成する必要があります。
|
||
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
|
||
|
||
どうやってスタイルベクトルファイルを作るかはいくつか方法があります。
|
||
- 方法1: めんどくさいから平均スタイルのみを使う（使えるスタイルは標準のNeutralのみ）
|
||
- 方法2: 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3: 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4: 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）
|
||
|
||
基本的には方法2を使うことを、めんどくさかったりあまり感情に幅がないデータセットなら方法1をおすすめします。
|
||
"""
|
||
|
||
method2 = """
|
||
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（Neutral）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: 平均スタイルのみを保存"):
|
||
gr.Markdown("平均（Neutral）スタイルのみを保存する場合は、以下のボタンを押してください。")
|
||
with gr.Row():
|
||
save_button1 = gr.Button("スタイルベクトルを保存", variant="primary")
|
||
info1 = gr.Textbox(label="保存結果")
|
||
save_button1.click(save_only_mean, inputs=[model_name], outputs=[info1])
|
||
with gr.Tab("方法2: 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="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Neutral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3: 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("注意: Neutralスタイルは自動的に保存されます、手動ではNeutral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4: 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)
|