目录
显示
1. 声库制作
这一部分先不做（暂时使用opencpop的数据集），声库要求至少采集4个小时的无背景声的清唱声音，然后利用数据切分、标注工具将数据分为每10秒一段的数据，并附带标注的 transcriptions.txt文件，该文件格式如下：
2001000001|感受停在我发端的指尖|g an sh ou t ing z ai w o f a d uan d e SP zh ir j ian AP|rest|0|0.0317 0.22133 0.15421 0.27382 0.06335 0.25752 0.07101 0.2871 0.03623 0.18238 0.18629 0.33309 0.01471 0.33636 0.01415 0.13811 0.08947 0.12862 0.27719 0.07962 0.61704 0.28463|0
2001000002|如何瞬间冻结时间|r u h e sh un j ian AP SP d ong j ie sh ir j ian SP|rest|0|0.06588 0.22888 0.11684 0.16671 0.18746 0.60779 0.11194 0.88026 0.29713 0.10483 0.03166 0.27938 0.05057 0.16405 0.21149 0.57126 0.13926 1.38028 1.17912|0“|”分隔的字段分别代表：
- utterance wav name，切分后的发音片段编号
- text， 歌词
- phoneme， 音素
- note，音符
- note duration，音符持续时间
- phoneme duration， 音素持续时间
- whether the current note is a slur note, 0 no, 1 yes. （是否脏音符）
数据集做好后，将其放置到data/raw下，像这样子:
raw
├── transcriptions.txt
└── wavs
├── 2001000001.wav
|...2. 数据预处理
export PYTHONPATH=.
CUDA_VISIBLE_DEVICES=0 python data_gen/binarize.py --config configs/acoustic/nomidi.yaml3. 训练
MY_DS_EXP_NAME自己指定，会在 checkpoint文件夹下生成对应的模型文件夹
CUDA_VISIBLE_DEVICES=0 python run.py --config configs/acoustic/nomidi.yaml --exp_name $MY_DS_EXP_NAME --reset4. 推理
python main.py path/to/your.ds --exp $MY_DS_EXP_NAME
