sbv2-v2/docs/paperspace.md

Paperspace gradient で学習する

詳しいコマンドの叩き方はこちらを参照してください。

事前準備

• Paperspace のアカウントを作成し必要なら課金する
• Projectを作る
• NotebookはStart from Scratchを選択して空いてるGPUマシンを選ぶ

使い方

以下では次のような方針でやっています。

• /storage/は永続ストレージなので、事前学習モデルとかを含めてリポジトリをクローンするとよい。
• /notebooks/は一時ストレージなので、データセットやその結果を保存する。
• hugging faceアカウントを作り、（プライベートな）リポジトリを作って、学習元データを置いたり、学習結果を随時アップロードする。

1. 環境を作る

まずは永続ストレージにgit clone

mkdir -p /storage/sbv2
cd /storage/sbv2
git clone https://github.com/litagin02/Style-Bert-VITS2.git

環境構築（デフォルトはPyTorch 1.x系、Python 3.9の模様）

pip install torch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 --index-url https://download.pytorch.org/whl/cu118
pip install -r requirements.txt

事前学習済みモデル等のダウンロード、またパスを/notebooks/以下のものに設定

python initialize.py --skip_jvnv --dataset_root /notebooks/Data --assets_root /notebooks/model_assets

2. データセットの準備

以下ではusername/voicesというデータセットリポジトリにあるFoo.zipというデータセットを使うことを想定しています。

cd /notebooks
huggingface-cli login  # 事前にトークンが必要
huggingface-cli download username/voices Foo.zip --repo-type dataset --local-dir .

• zipファイル中身が既にrawとesd.listがあるデータ（スライス・書き起こし済み）の場合

mkdir -p Data/Foo
unzip Foo.zip -d Data/Foo
rm Foo.zip
cd /storage/sbv2/Style-Bert-VITS2

• zipファイルが音声ファイルのみの場合

mkdir inputs
unzip Foo.zip -d inputs
cd /storage/sbv2/Style-Bert-VITS2
python slice.py --model_name Foo -i /notebooks/inputs
python transcribe.py --model_name Foo

それが終わったら、以下のコマンドで一括前処理を行う（パラメータは各自お好み、バッチサイズ6でVRAM 16GBギリくらい）。

python preprocess_all.py --model_name Foo -b 6 -e 300 --use_jp_extra

3. 学習

Hugging faceのusername/sbv2-privateというモデルリポジトリに学習済みモデルをアップロードすることを想定しています。事前にhuggingface-cli loginでログインしておくこと。

python train_ms_jp_extra.py --repo_id username/sbv2-private

(JP-Extraでない場合はtrain_ms.pyを使う)