Poradnik jak stworzyć model głosu AI [PRZECZYTAJ OPIS]

[@WafelTLD]

UWAGA! Jeżeli trenowanie głosu trwa strasznie długo, a posiadacie na komputerze zainstalowanego Pythona w dowolnej wersji USUŃCIE GO! RVC GUI posiada wewnętrznego Pythona w sobie i posiadając jakiegokolwiek doinstalowanego na komputerze może dochodzić do konfliktów, które mogą spowalniać proces trenowania! Trochę się zapędziłem podczas tworzenia poradnika. AUDIO NIE MUSI MIEĆ 20 sekund i być podzielone na 10000 kawałków! Może być mniej i dłużej! Byle nie przesadzać, bo im dłuższe i mniej plików audio, tym dłuższy czas oczekiwania w trenowaniu.

[@aipeep]

0:54 nie trzeba ciac audio na kawalki (Najlepiej jakby glos bylby bez reverb dlatego taki efekt na koncu wyszedl) i 3:18 najpopularniejszym wyborem jest rmvpe nei harvest

[@damtob10]

Siema wyskakuje mi taki error przy trainowaniu modelu wiesz o co chodzi? ValueError: 40000 SR doesn't match target 48000 SR

[@WafelTLD]

@@damtob10 A trenowanie kontynuuje się czy całkowicie zatrzymuje?

[@damtob10]

@@WafelTLDzatrzymuje się całkowicie :/

[@damtob10]

@@WafelTLD to wiesz co moze byc przyczyna errora?

[@WafelTLD]

@@damtob10 Czy zmieniałeś sample rate przy kontynuacji trenowania? Często jest to spowodowane właśnie tym

[@damtob10]

@@WafelTLD zostawilem tak jak ustalalem przed trenowaniem

[@Guzek22]

UnicodeDecodeError: 'utf-8' codec can't decode byte 0xa3 in position 4: invalid start byte. Ej mordo pomozesz?

[@WafelTLD]

Prawdopodobnie lokalizacja lub pliki dźwiękowe mają jakieś znaki specjalne w sobie, usuń znaki specjalne z lokalizacji, z nazw plików dźwiękowych i jeszcze raz spróbuj

[@lenopaleno8861]

Siema wafel, mam pytanie. Jak moge uzyc tego modelu glosu aby po prostu cos powiedzial? (chodzi mi o konweter tekstu na mowe )

[@WafelTLD]

Do mowy używam osobnego syntezatora mowy, potem używam go w RVC do podmianki głosu na ten który chcę użyć. Jedno z lepszych rozwiązań to strona ElevenLabs

[@grzpal]

Da się RVC tak wytrenować, żeby nie seplenił jak ten na filmie?

[@WafelTLD]

Raczej tak, to jest mocno zależy od tego jak dużo Epochs dasz do trenowanego modelu, ile głosek dźwięcznych model posiada w trenowanym audio oraz to czego użyjesz jako bazy podmienianego czy coverowanego audio

[@grzpal]

@@WafelTLD Trenowałem na własnym głosie najpierw 500e 4500s i 500e i 13000s i efekt ten sam widziałem głosy Tuska czy inne dostępne modele i tego nie mają. Przeglądając strukturę katalogów są pretrainers jakieś i zastanawiam się czy te modele nie są zależne od języka np. Ja akurat w Applio robiłem.

[@WafelTLD]

@@grzpal Szczerze aż takiej wiedzy na temat RVC nie mam, a czego używasz do wytwarzania mowy jako bazy? Appliowego TTS, ElevenLabs, innego syntezatora, czy może jakiegoś istniejącego nagrania realnej osoby? Próbowałeś może użyć modelu bez indexu? podobno index potrafi nieźle pozangielszczać

[@grzpal]

​@@WafelTLD ja trochę hardcoreowo głos Agnieszka Ivona (na tą chwilę mi najłatwiej balabolką), a potem RVC gui na jakiś określony głos RVC mam też XTTS webui ale daje gorsze rezultaty

[@WafelTLD]

@@grzpal głos ivony nie jest najlepszy do konwersji na inny

[@spriteporadnik]

CUDA out of memory. - da się coś na to zaradzić? Mam gtx 1050

[@WafelTLD]

Upewnij się że dałeś mniej niż masz procesorów logicznych, możesz je sprawdzić w menadżerze zadań, najbardziej optymalnie jest dać połowę posiadanych.

[@spriteporadnik]

@@WafelTLD dalem 2 (mam 4), nawet na 1 nie dzialalo. Na guthubie pisali tez cos o zmniejszeniu batcha, dalem na 1 ale tez nie pomoglo, masz moze jeszcze jakis pomysl? Czy po prostu karta za slaba?

[@WafelTLD]

@@spriteporadnik Ogólnie do głowy przychodzą mi takie kwestie: 1. Wielkość/długość audio do trenowania - Może być tak, że masz zbyt dużo ważący plik audio lub po prostu za długi czasowo 2. Spróbuj zmniejszyć batch size per GPU, bo może masz tam wpisaną zbyt dużą liczbę 3. Sytuacja z kartą - Rekomendowane jest ogólnie posiadanie około 8GB VRAM do w miarę sprawnego działania

[@kakaenzz]

poradziłeś sobie z tym? mam dokładnie ten sam problem już mam ochotę klawiaturę o kolano złamać bo nic nie działa.

[@CactusGaming0]

Po zrobieniu wszystkiego jak w poradniku plik .pth sie nie pojawia w weight

[@WafelTLD]

Masz pewność, że trenowanie zakończyło się? Musi na końcu pisać w konsoli coś w stylu: Save succes Closing program Lub coś tego typu

[@WafelTLD]

Training is done. The program is closed. saving final ckpt:Success. Coś takiego musi się w konsoli pojawić po zapisaniu ostatniego epochsa

[@ukaszbereza1909]

Czy mam zrobić folder datasets a w nim umieścić po prostu folder z nazwą głosu i w tym folderze pocięte 20 sekundowe pliki? Bo po pobraniu RVC1006 i wypakowaniu nie ma folderu datasets

[@WafelTLD]

Jeżeli nie ma folderu datasets, nawet nie musi być w lokalizacji RVC, ale możesz go sobie stworzyć, każdy dataset dodatkowo powinien być oddzielony swoim nazwanym folderem. Nie muszą to być 20 sekundowe pliki, może być nawet kilkuminutowe pojedyńcze audio.

[@Czopa_Kajtek]

teraz poradnik w jakim programie użyć model głosu żeby wyszedł finalny wynik

[@WafelTLD]

Już jest na kanale

[@SzakulFirstyYT]

Trzeba ciąć dataset na raptem 20 sekundowe fragmenty? Nie może to być po prostu dataset trwający 20 minut? co by się stało gdybym pozostawił go w całości? Jeśli miałbym tak ciąć 20 minutowy materiał to by to trwało mnóstwo czasu.

[@WafelTLD]

Trochę zapędziłem się z tym wycinaniem, z tego co wiem audio w pełnej formie warto by miało okolice do 10 minut, podobno jakieś ultra długie audio trenuje się nieco dłużej, czy to prawda nie jestem pewien.

[@mikrofonek3978]

audacipy 1:06

[@WafelTLD]

heh

[@Taj4Funn]

RuntimeError: Error in __cdecl faiss::FileIOWriter::FileIOWriter(const char *) at D:\a\faiss-wheels\faiss-wheels\faiss\faiss\impl\io.cpp:98: Error: 'f' failed: could not open logs/Władca Jaboli/trained_IVF33_Flat_nprobe_1_Władca Jaboli_v2.index for writing: No such file or directory

[@WafelTLD]

spróbuj polskie znaki z pliku usunąć

[@Sv3.mordo3]

RuntimeError: Error in __cdecl faiss::FileIOWriter::FileIOWriter(const char *) at D:\a\faiss-wheels\faiss-wheels\faiss\faiss\impl\io.cpp:98: Error: 'f' failed: could not open C:\Users\Acer\Desktop\sygnał\Applio-RVC-Fork\logs\vkiedt/trained_IVF79_Flat_nprobe_1_vkiedt_v2.index for writing: No such file or directory

[@WafelTLD]

usuń polskie znaki i spacje ze wszystkich lokalizacji i nazw plików czy folderów

[@Juszczi2001]

Ja mam procesory logiczne 4 czy da radę na moim kompie to wytrenować? Czy to będzie się zbyt długo trenowało?

[@WafelTLD]

jeżeli masz 4 to ustaw na dwa, możliwe że będzie trochę trwało, w tym czasie zalecałbym ci poza trenowaniem nie obciążać sprzętu w trakcie żadnymi dodatkowymi aktywnościami

[@Juszczi2001]

Ok zostawię sobie trenowanie na noc :D Jak na przykład wytrenuję głos i chcę go jeszcze dotrenować to robię wszystko tak samo od początku?

[@WafelTLD]

myślę, że chyba tak, niestety nie miałem jeszcze przypadku, w którym dotrenowywałem modele

[@Dokto_rex]

Jeżeli chcę szkolić model na epoche 500 to jest jakieś minimum ile próbek dźwięku potrzebuję oraz czy coś się stanie jeżeli mam kilka kopii próbki dźwiękowej do szkolenia?

[@WafelTLD]

Z tego co wiem to nie ma jakiegoś minimum ani maksymalnego limitu próbek, wiadomo, im mniej próbek, im krótsze, tym gorszy efekt. Co do kopii próbek, to lepiej jednak by było, by każda próbka była zróżnicowana, różnorodność próbek pozwoli na wytrenowanie wszystkich głosek itp.

[@kamilodj8440]

Hej wafelku a moge potem uzyć takiego głosu do czytania napisów do all playera

[@WafelTLD]

Niestety nie posiadam wiedzy na ten temat

[@Okuratnaagencjareklamowaspzoo]

Niestety nie można, to inny silnik głosów

[@lokomotywa_piotrus]

U mnie niema tego pliku wsadowego go web-bat, co teraz? RVC1006AMD_Intel jak coś

[@WafelTLD]

To trochę dziwne.. A są jakiekolwiek pliki ".bat"?

[@WafelTLD]

Możliwe, że wersja pod amd/intel ma wybrakowane archiwum, w linku wystarczy poszukać pliku go-web.bat, pobrać go i dograć do reszty plików.

[@WafelTLD]

kzbin.info/www/bejne/rXbPm6VtbM6rY6Msi=JoFoMy5Sd1m1R7WD JUŻ JEST PORADNIK DO UŻYWANIA WASZYCH MODELI!!!

[@skippy0000]

no-f0-todo no-f0-todo co zrrobic?

[@WafelTLD]

w jakim etapie wyskakuje ci ta informacja?

[@skippy0000]

move model to cuda no-feature-todo to rozwinięcie ale to sie dzieje jak robie feature extraction@@WafelTLD

[@WafelTLD]

Ogólnie sam program jak i datasety muszą mieć prostą lokalizację bez znaków specjalnych, myślników itp. sprawdź czy nie masz właśnie takiej niezgodnej lokalizacji. Nawet jak masz folder z programem nazwany jakos z myslnikami i kropkami to sprobuj zmienić na taką by ich nie było