AI 实践 | 一文简述语音克隆实践

随着 AI 技术的发展，语音克隆技术也受到越来越多的关注。目前，AI 语音克隆技术已经可以实现模拟出一个人的声音，包括音色、语言习惯和情绪等。

本文将介绍我们调研并复现的一些语音克隆开源项目，分析各个项目的优缺点，记录复现过程需要注意的问题，并在此基础上实现简易的语音克隆。

MockingBird

• 项目地址：https://github.com/babysor/MockingBird
  

• 论文地址：https://arxiv.org/pdf/1806.04558.pdf
  

项目介绍

MockingBird 是一个文本转语音项目，使用深度学习模型生成语音。作者提供预训练的语音合成模型，方便针对性的微调，可用于语音助手、有声书等。此外，该项目提供多种可视化方法，方便使用。

环境搭建

note: 原项目提供桌面版和 web 版（streamlit）页面，并提供 docker 部署，这里复现的是 web 版。

使用

该项目可视化页面使用 streamlit 框架。

把 streamlit 的相关代码写到临时文件再执行。

python web.py 启动 web 页面，如下图所示。左侧为输入部分，包括文本内容、被克隆的语音和语音合成的模型，右侧为语音合成的结果，包括语音和梅尔谱图。

经过测试发现，模型可抽取的特征有限，因此输入音频的长度不是越长越好，最好在 3s 到 8s 之间。输入音频的说话声最好是平调，不要包含太多的情绪，确保输入音频只有一个人声，这能够帮助实现更好的生成效果。

目前 MockingBird 比较广泛的应用场景是整理某个人的音频数据集，在一个声音上做微调，语音生成质量(杂音、吐字清晰度)和音色会好一些。如果应用在加载简短的录音或实时语音克隆，生成的效果会差一些。

除此之外，该项目提供可视化的训练页面和数据集预处理程序，预处理数据集（17.5G）单核需要 6h 左右，按项目默认的超参数训练大概需要 5000MB 显存。

微调流程

该项目的整体架构包括三个部分，分别是 encoder、synthesizer 和 vocoder。encoder 用于捕捉音频的特征，提高泛化能力，synthesizer 使用 Tacotron 2 架构完成序列到序列的任务，vocoder 使用 WaveNet 生成音频内容。这里微调的是 synthesizer 模型，作者认为微调 vocoder 对最终语音合成的效果影响不大，我们也认为合成任务比 vocoder 任务难，最需要优化 synthesizer 合成语音的特征。

微调首先需要整理自己的数据集，对音频切片，使用工具生成音频对应的文本内容，运行数据集预处理程序，包括使用 libsora 对音频文件预处理和使用 encoder 生成 embedding，接着就可以使用对应的训练代码微调。

微调也可以在开源语音数据集上进行，如 aidatatang_200zh、magicdata、aishell3 等。

相关训练参数：

问题记录

下载 checkpoint 之后，在项目根目录下的 data/ckpt 中新建 synthesizer 文件夹，把 pt 文件放到该文件夹下。

Clone-voice

项目地址：

https://github.com/jianchang512/clone-voice

项目介绍

这是一个声音克隆工具，可使用任何人类音色，将一段文字合成为使用该音色说话的声音，或者将一个声音使用该音色转换为另一个声音。该项目支持中英日韩四种语言，可在线麦克风录制声音使用。

环境

使用

该项目提供 web 页面如上图所示，文本语言处可以选择四种语言，被克隆的语音可以选择已有的语音，也可以直接录制声音，作者建议语音录制时长为 5s 到 20s 之间，发音准确，尽量不要存在背景噪声，支持文本转语音和语音转语音，使用 XTTS 生成语音，但由于项目实现的原因，合成的速度不稳定，偶尔会出现一两分钟合成一句话的情况。

Coqui XTTS

• 项目地址：https://github.com/coqui-ai/TTS
  

• 文档：https://docs.coqui.ai/en/dev/models/xtts.html
  

• huggingface：https://huggingface.co/coqui/XTTS-v2
  

• paper：https://arxiv.org/abs/2112.02418
  

项目介绍

XTTS 是一款文字转语音模型，可以通过几秒的音频片段实现语音克隆。XTTS 基于 Tortoise 开发，对模型进行了重要修改，使跨语言语音克隆和多语言语音生成变得简单，减少训练所需的数据和资源。

使用

上述代码展示了 XTTS 如何初步使用，我们在此基础上实现了一个 TTS demo，web 界面如下，左侧是相关输入，能够选择已有的音频文件，也可以上传或录制音频，右侧表示语音克隆的结果。

XTTS 是一个端到端的 zero-shot 语音克隆模型，不需要提前对语音微调即可实现零样本语音合成，该模型使用一个小的 GPT2 和 hifigan 完成语音克隆任务。加载完整的模型需要 2672MB 显存，当文本输入为”你好，我是一个文字转语音测试。“，在 4090 上推理需要的内存为 3700MB，时间为 2s，如果使用 CPU 合成，生成速度大概会慢一倍。在语音克隆的效果上，能够明显听出所需的音色，但偶尔会出现停顿不自然、噪声问题，进一步的工作可以尝试在预训练的模型上使用中文数据集微调。

代码

问题记录

1. 模型位置

问题描述：直接用 tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(device)，会默认下载到~/.local/share，由于网络问题，可能存在不能从 huggingface 下载模型的情况。

解决方法：可以手动下载然后放到项目文件夹或./loacl/share 中，如果放在项目文件夹中，必须设置 os.environ['TTS_HOME']=ROOT_DIR，具体原因如下述代码所示，如果环境变量没有设置，仍然会去默认地址中检查是否已下载。

2. 环境兼容

问题描述：pydantic 和 gradio 的版本兼容问题。

报错：

1、If you got this error by calling handler() within __get_pydantic_core_schema__ then you likely need to call handler.generate_schema() since we do not call__get_pydantic_core_schema__ on otherwise to avoid infinite recursion.

2、gradio 4.10.0 requires pydantic>=2.0, but you have pydantic 1.10.13 which is incompatible.

解决方法：如果需要使用 pydantic，使用 v1 版本，gradio 使用 4.0 之前的版本，并且需要修改 demo 中显示已有音频文件部分的代码。

3. 临时域名访问

当通过临时域名访问的时候，录音并连续生成会报错，可能是由于 gradio 的 audio 组件和网络问题，可以使用队列缓解这个问题。

4. 长文本输入

如果需要使用较长文本的语音克隆，可以参考 XTTS 文档中的流式输入和 enable_text_splitting 参数修改代码，也可以尝试配置 deepspeed 加速推理。

总结与思考

语音合成任务通常包括文本语音预处理、语音合成和语音后处理三个步骤，早期的方法更多地结合音频任务本身的特点优化语音合成效果，随着深度学习技术的发展，模型能够学习到更多的信息，当前主流的模型有 wavenet、tacotron2、wavernn 等，深度学习方法可以实现端到端的语音克隆，降低使用门槛。

从我们的实践来看，语音生成效果已经取得长足的进步，zero-shot 语音克隆的效果也基本满意，但由于语音模型预训练数据分布的问题，大规模、高质量的中文开源预训练数据集较少，因此与英文相比，实时中文语音克隆的效果会差一些。此外，流式语音克隆是大势所趋，实时的输入音频，即时地生成语音，需要进一步优化推理所需的资源和生成语音的延迟。