125 lines
5.1 KiB
Python
125 lines
5.1 KiB
Python
import os
|
||
|
||
import gradio as gr
|
||
|
||
from common.log import logger
|
||
from common.subprocess_utils import run_script_with_log, second_elem_of
|
||
|
||
|
||
def do_slice(model_name: str, min_sec: float, max_sec: float, input_dir="inputs"):
|
||
logger.info("Start slicing...")
|
||
output_dir = os.path.join("Data", model_name, "raw")
|
||
cmd = [
|
||
"slice.py",
|
||
"--input_dir",
|
||
input_dir,
|
||
"--output_dir",
|
||
output_dir,
|
||
"--min_sec",
|
||
str(min_sec),
|
||
"--max_sec",
|
||
str(max_sec),
|
||
]
|
||
success, message = run_script_with_log(cmd, ignore_warning=True)
|
||
if not success:
|
||
return f"Error: {message}"
|
||
return "音声のスライスが完了しました。"
|
||
|
||
|
||
def do_transcribe(model_name, whisper_model, compute_type, language, initial_prompt):
|
||
input_dir = os.path.join("Data", model_name, "raw")
|
||
output_file = os.path.join("Data", model_name, "esd.list")
|
||
result = run_script_with_log(
|
||
[
|
||
"transcribe.py",
|
||
"--input_dir",
|
||
input_dir,
|
||
"--output_file",
|
||
output_file,
|
||
"--speaker_name",
|
||
model_name,
|
||
"--model",
|
||
whisper_model,
|
||
"--compute_type",
|
||
compute_type,
|
||
"--language",
|
||
language,
|
||
"--initial_prompt",
|
||
initial_prompt,
|
||
]
|
||
)
|
||
return "音声の文字起こしが完了しました。"
|
||
|
||
|
||
initial_md = """
|
||
# 簡易学習用データセット作成ツール
|
||
|
||
Style-Bert-VITS2の学習用データセットを作成するためのツールです。与えられた音声からちょうどいい長さの発話区間を切り取りスライスし、それぞれの音声に対して文字起こしを行います。
|
||
|
||
## 必要なもの
|
||
学習したい音声が入ったwavファイルいくつか。
|
||
合計時間がある程度はあったほうがいいかも、10分とかでも大丈夫だったとの報告あり。単一ファイルでも良いし複数ファイルでもよい。
|
||
|
||
## 使い方
|
||
1. `inputs`フォルダ直下にwavファイルをすべて入れる
|
||
2. `モデル名`を入力して、`音声のスライス`ボタンを押す
|
||
3. 完了したら、`音声の文字起こし`ボタンを押す
|
||
4. 出来上がった音声ファイルたちは`Data/{モデル名}/raw`に、書き起こしファイルは`Data/{モデル名}/esd.list`に保存されます。
|
||
|
||
## 注意
|
||
|
||
- 長すぎる秒数（12-15秒くらいより長い？）のwavファイルは学習に用いられないようです。また短すぎてもあまりよくない可能性もあります。
|
||
- 書き起こしの結果をどれだけ修正すればいいかはデータセットに依存しそうです。
|
||
- 手動で書き起こしをいろいろ修正したり結果を細かく確認したい場合は、[Aivis Dataset](https://github.com/litagin02/Aivis-Dataset)もおすすめします。書き起こし部分もかなり工夫されています。ですがファイル数が多い場合などは、このツールで簡易的に切り出してデータセットを作るだけでも十分という気もしています。
|
||
"""
|
||
|
||
with gr.Blocks(theme="NoCrypt/miku") as app:
|
||
gr.Markdown(initial_md)
|
||
model_name = gr.Textbox(label="モデル名を入力してください（話者名としても使われます）。")
|
||
with gr.Accordion("音声のスライス"):
|
||
with gr.Row():
|
||
with gr.Column():
|
||
min_sec = gr.Slider(
|
||
minimum=0, maximum=10, value=2, step=0.5, label="この秒数未満は切り捨てる"
|
||
)
|
||
max_sec = gr.Slider(
|
||
minimum=0, maximum=15, value=12, step=0.5, label="この秒数以上は切り捨てる"
|
||
)
|
||
slice_button = gr.Button("スライスを実行")
|
||
result1 = gr.Textbox(label="結果")
|
||
with gr.Row():
|
||
with gr.Column():
|
||
whisper_model = gr.Radio(
|
||
["tiny", "base", "small", "medium", "large", "large-v2", "large-v3"],
|
||
value="large-v3",
|
||
)
|
||
compute_type = gr.Dropdown(
|
||
[
|
||
"int8",
|
||
"int8_float32",
|
||
"int8_float16",
|
||
"int8_bfloat16",
|
||
"int16",
|
||
"float16",
|
||
"bfloat16",
|
||
"float32",
|
||
],
|
||
value="bfloat16",
|
||
)
|
||
language = gr.Dropdown(["ja", "en", "zh"], value="ja")
|
||
initial_prompt = gr.Textbox(label="初期プロンプトを入力してください（省略可）")
|
||
transcribe_button = gr.Button("音声の文字起こし")
|
||
result2 = gr.Textbox(label="結果")
|
||
slice_button.click(
|
||
do_slice,
|
||
inputs=[model_name, min_sec, max_sec],
|
||
outputs=[result1],
|
||
)
|
||
transcribe_button.click(
|
||
do_transcribe,
|
||
inputs=[model_name, whisper_model, compute_type, language, initial_prompt],
|
||
outputs=[result2],
|
||
)
|
||
|
||
app.launch(inbrowser=True)
|