From f2a1466995f74c60ceff4b4feb0076dcaee8e4c6 Mon Sep 17 00:00:00 2001 From: Ikko Eltociear Ashimine Date: Sat, 20 Jan 2024 15:11:11 +0900 Subject: [PATCH] Add Japanese README --- README.md | 2 +- docs/ja/README.md | 166 ++++++++++++++++++++++++++++++++++++++++++++++ 2 files changed, 167 insertions(+), 1 deletion(-) create mode 100644 docs/ja/README.md diff --git a/README.md b/README.md index 2c88c3b..3d7c998 100644 --- a/README.md +++ b/README.md @@ -11,7 +11,7 @@ A Powerful Few-shot Voice Conversion and Text-to-Speech WebUI.

[![Licence](https://img.shields.io/badge/LICENSE-MIT-green.svg?style=for-the-badge)](https://github.com/RVC-Boss/GPT-SoVITS/blob/main/LICENSE) [![Huggingface](https://img.shields.io/badge/🤗%20-Spaces-yellow.svg?style=for-the-badge)](https://huggingface.co/lj1995/GPT-SoVITS/tree/main) -[**English**](./README.md) | [**中文简体**](./docs/cn/README.md) +[**English**](./README.md) | [**中文简体**](./docs/cn/README.md) | [**日本語**](./docs/ja/README.md) diff --git a/docs/ja/README.md b/docs/ja/README.md new file mode 100644 index 0000000..1e7eebf --- /dev/null +++ b/docs/ja/README.md @@ -0,0 +1,166 @@ +
+ +

GPT-SoVITS-WebUI

+パワフルな数発音声変換・音声合成 WebUI。

+ +[![madewithlove](https://img.shields.io/badge/made_with-%E2%9D%A4-red?style=for-the-badge&labelColor=orange +)](https://github.com/RVC-Boss/GPT-SoVITS) + +
+ +[![Licence](https://img.shields.io/badge/LICENSE-MIT-green.svg?style=for-the-badge)](https://github.com/RVC-Boss/GPT-SoVITS/blob/main/LICENSE) +[![Huggingface](https://img.shields.io/badge/🤗%20-Spaces-yellow.svg?style=for-the-badge)](https://huggingface.co/lj1995/GPT-SoVITS/tree/main) + +[**English**](../../README.md) | [**中文简体**](../cn/README.md) | [**日本語**](./README.md) + +
+ +------ + + + +> [デモ動画](https://www.bilibili.com/video/BV12g4y1m7Uw)をチェック！ + +https://github.com/RVC-Boss/GPT-SoVITS/assets/129054828/05bee1fa-bdd8-4d85-9350-80c060ab47fb + +## 機能: +1. **セロショット TTS:** 5秒間のボーカルサンプルを入力すると、即座にテキストから音声に変換されます。 + +2. **数ショット TTS:** わずか1分間のトレーニングデータでモデルを微調整し、音声の類似性とリアリズムを向上。 + +3. **多言語サポート:** 現在、英語、日本語、中国語をサポートしています。 + +4. **WebUI ツール:** 統合されたツールには、音声伴奏の分離、トレーニングセットの自動セグメンテーション、中国語 ASR、テキストラベリングが含まれ、初心者がトレーニングデータセットと GPT/SoVITS モデルを作成するのを支援します。 + +## 環境の準備 + +Windows ユーザーであれば（win>=10 にてテスト済み）、prezip 経由で直接インストールできます。[prezip](https://huggingface.co/lj1995/GPT-SoVITS-windows-package/resolve/main/GPT-SoVITS-beta.7z?download=true) をダウンロードして解凍し、go-webui.bat をダブルクリックするだけで GPT-SoVITS-WebUI が起動します。 + +### Python と PyTorch のバージョン + +Python 3.9、PyTorch 2.0.1、CUDA 11でテスト済。 + +### Conda によるクイックインストール + +```bash +conda create -n GPTSoVits python=3.9 +conda activate GPTSoVits +bash install.sh +``` +### 手動インストール +#### python3.9 用の distutils がインストールされていることを確認する + +```bash +sudo apt-get install python3.9-distutils +``` + +#### Pip パッケージ + +```bash +pip install torch numpy scipy tensorboard librosa==0.9.2 numba==0.56.4 pytorch-lightning gradio==3.14.0 ffmpeg-python onnxruntime tqdm cn2an pypinyin pyopenjtalk g2p_en chardet +``` + +#### 追加要件 + +中国語の ASR（FunASR がサポート）が必要な場合は、以下をインストールしてください: + +```bash +pip install modelscope torchaudio sentencepiece funasr +``` + +#### FFmpeg + +##### Conda ユーザー +```bash +conda install ffmpeg +``` + +##### Ubuntu/Debian ユーザー + +```bash +sudo apt install ffmpeg +sudo apt install libsox-dev +conda install -c conda-forge 'ffmpeg<7' +``` + +##### MacOS ユーザー + +```bash +brew install ffmpeg +``` + +##### Windows ユーザー + +[ffmpeg.exe](https://huggingface.co/lj1995/VoiceConversionWebUI/blob/main/ffmpeg.exe) と [ffprobe.exe](https://huggingface.co/lj1995/VoiceConversionWebUI/blob/main/ffprobe.exe) をダウンロードし、GPT-SoVITS のルートディレクトリに置きます。 + +### 事前訓練済みモデル + + +[GPT-SoVITS Models](https://huggingface.co/lj1995/GPT-SoVITS) から事前訓練済みモデルをダウンロードし、`GPT_SoVITSpretrained_models` に置きます。 + +中国語 ASR（追加）については、[Damo ASR Model](https://modelscope.cn/models/damo/speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8404-pytorch/files)、[Damo VAD Model](https://modelscope.cn/models/damo/speech_fsmn_vad_zh-cn-16k-common-pytorch/files)、[Damo Punc Model](https://modelscope.cn/models/damo/punc_ct-transformer_zh-cn-common-vocab272727-pytorch/files) からモデルをダウンロードし、`tools/damo_asr/models` に置いてください。 + +UVR5 (Vocals/Accompaniment Separation & Reverberation Removal, additionally) の場合は、[UVR5 Weights](https://huggingface.co/lj1995/VoiceConversionWebUI/tree/main/uvr5_weights) からモデルをダウンロードして `tools/uvr5/uvr5_weights` に置きます。 + + +## データセット形式 + +TTS アノテーション .list ファイル形式: + +``` +vocal_path|speaker_name|language|text +``` + +言語辞書: + +- 'zh': 中国語 +- 'ja': 日本語 +- 'en': 英語 + +例: + +``` +D:\GPT-SoVITS\xxx/xxx.wav|xxx|en|I like playing Genshin. +``` +## Todo リスト + +- [ ] **優先度 高:** + - [ ] 日本語と英語でのローカライズ。 + - [ ] ユーザーガイド。 + - [ ] 日本語データセットと英語データセットのファインチューニングトレーニング。 + +- [ ] **機能:** + - [ ] ゼロショット音声変換（5秒）／数ショット音声変換（1分）。 + - [ ] TTS スピーキングスピードコントロール。 + - [ ] TTS の感情コントロールの強化。 + - [ ] SoVITS トークン入力を語彙の確率分布に変更する実験。 + - [ ] 英語と日本語のテキストフロントエンドを改善。 + - [ ] 小型と大型の TTS モデルを開発する。 + - [ ] Colab のスクリプト。 + - [ ] トレーニングデータセットを拡張する（2k→10k）。 + - [ ] より良い sovits ベースモデル（音質向上） + - [ ] モデルミックス + +## クレジット + +以下のプロジェクトとコントリビューターに感謝します: + +- [ar-vits](https://github.com/innnky/ar-vits) +- [SoundStorm](https://github.com/yangdongchao/SoundStorm/tree/master/soundstorm/s1/AR) +- [vits](https://github.com/jaywalnut310/vits) +- [TransferTTS](https://github.com/hcy71o/TransferTTS/blob/master/models.py#L556) +- [Chinese Speech Pretrain](https://github.com/TencentGameMate/chinese_speech_pretrain) +- [contentvec](https://github.com/auspicious3000/contentvec/) +- [hifi-gan](https://github.com/jik876/hifi-gan) +- [Chinese-Roberta-WWM-Ext-Large](https://huggingface.co/hfl/chinese-roberta-wwm-ext-large) +- [fish-speech](https://github.com/fishaudio/fish-speech/blob/main/tools/llama/generate.py#L41) +- [ultimatevocalremovergui](https://github.com/Anjok07/ultimatevocalremovergui) +- [audio-slicer](https://github.com/openvpi/audio-slicer) +- [SubFix](https://github.com/cronrpc/SubFix) +- [FFmpeg](https://github.com/FFmpeg/FFmpeg) +- [gradio](https://github.com/gradio-app/gradio) + +## すべてのコントリビューターに感謝します + + +