blackteay/GPT-SoVITS
1
0
Fork 0
mirror of https://github.com/RVC-Boss/GPT-SoVITS.git synced 2026-07-25 12:05:13 +08:00
Code Issues Packages Projects Releases Wiki Activity

fix: emotion双源兼容(.list+audio_metadata.json) + 初始联动 + 布局紧凑

Browse Source 
1. emotion 双源兼容 (核心):
   proplus 训练WebUI 有两种 emotion 数据源, 互斥存在:
   - 旧: ASR标注 .list 第5列 (output/asr_opt/<exp>/*.list)
   - 新: logs/<exp>/audio_metadata.json (推理WebUI回写)
   _read_emotion_map_for_webui / _read_emotion_map 现合并两源,
   audio_metadata.json 优先(推理时回写的更新)。
   实测: 光头TTS新(emotion在.list)->惊恐; 九九-许珺雯(emotion在json)->挑眉自信。

2. on_model_name_change 修复初始 emotion 不显示:
   原返回3值[样本,GPT,SoVITS], 依赖 ref_sample_dropdown.change 级联触发。
   但 app.load 设置 dropdown value 后 Gradio 不一定触发 .change,
   导致页面加载时 emotion 框为空。
   现返回6值[样本,GPT,SoVITS,参考音频,参考文本,情绪], 一次性联动全部。

3. 布局紧凑:
   - 参考音频去掉 Column 包裹+equal_height(导致Audio被拉伸留白), 自然高度
   - 参考文本 4行->3行
   - 多参考文件+v3参数从右列移出为独立满宽行(不再干扰主行对齐)
   主行变两列: 参考音频(10) + 语种&文本&情绪(10), 紧凑对齐。
This commit is contained in:
XucroYuri 2026-07-07 14:18:35 +08:00
parent 3a708d01b6
commit 6931a97594
2 changed files with 121 additions and 85 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

156
GPT_SoVITS/inference_webui.py
View File

@ -1270,43 +1270,61 @@ def _read_name2text_for_webui(logs_dir: Path) -> dict[str, dict[str, str]]:
def _read_emotion_map_for_webui(model_name: str) -> dict[str, str]:
"""读取 ASR 标注 .list 中的 emotion 列，返回 {audio_name|stem: emotion}。
"""读取训练数据的 emotion，返回 {audio_name|stem: emotion}。
扫描 output/asr_opt/<model_name>/ 下所有 *.list（4/5/6 列均兼容）。
无 emotion 列或文件不存在时返回空 dict。
兼容新旧两种 emotion 数据源:
1. 旧: ASR 标注 .list 第5列 (output/asr_opt/<model_name>/*.list)
2. 新: logs/<model_name>/audio_metadata.json (推理WebUI回写的元数据)
合并两者, audio_metadata.json 优先(推理时回写的更新)。
"""
from tools.list_metadata import parse_list_line
from config import exp_root
emotion_map: dict[str, str] = {}
def _add(name: str, emotion: str):
if name and emotion:
emotion_map[name] = emotion
emotion_map[Path(name).stem] = emotion
# 源1: .list (旧, ASR 标注)
list_dir = Path("output") / "asr_opt" / model_name
if not list_dir.exists():
return emotion_map
for list_path in sorted(list_dir.glob("*.list")):
if list_dir.exists():
for list_path in sorted(list_dir.glob("*.list")):
try:
for line in list_path.read_text(encoding="utf-8", errors="ignore").splitlines():
item = parse_list_line(line)
if item is None or not item.emotion:
continue
_add(os.path.basename(item.wav_path.strip("\"'")), item.emotion)
except Exception:
continue
# 源2: audio_metadata.json (新, 推理WebUI回写; 优先级高, 覆盖源1)
meta_path = Path(exp_root) / model_name / "audio_metadata.json"
if meta_path.exists():
try:
for line in list_path.read_text(encoding="utf-8", errors="ignore").splitlines():
item = parse_list_line(line)
if item is None or not item.emotion:
continue
name = os.path.basename(item.wav_path.strip("\"'"))
if not name:
continue
emotion_map[name] = item.emotion
emotion_map[Path(name).stem] = item.emotion
import json
meta = json.loads(meta_path.read_text(encoding="utf-8", errors="ignore"))
for name, info in meta.items():
if isinstance(info, dict) and info.get("emotion"):
_add(name, info["emotion"])
except Exception:
continue
pass
return emotion_map
def on_model_name_change(model_name: str):
"""模型名变化时：加载训练样本列表 + 自动匹配最佳 GPT/SoVITS 权重。
"""模型名变化时：加载训练样本 + 自动匹配权重 + 自动引用首样本为参考。
返回: [样本下拉框, GPT下拉框, SoVITS下拉框]
样本下拉框 value 设为首个样本, 会级联触发 on_ref_sample_change 自动引用为参考音频。
GPT/SoVITS 自动选中 epoch 最接近推荐值(8/15)的权重, 用户仍可手动改。
返回: [样本下拉, GPT下拉, SoVITS下拉, 参考音频, 参考文本, 情绪/括注]
一次性联动全部字段, 不依赖 ref_sample_dropdown.change 的级联触发
(app.load 设置 dropdown value 后 Gradio 不一定触发 .change)。
"""
model_name = _coerce_single(model_name)
if not model_name:
return gr.Dropdown(choices=[], value=""), gr.Dropdown(), gr.Dropdown()
return gr.Dropdown(choices=[], value=""), gr.Dropdown(choices=[], value=""), gr.Dropdown(choices=[], value=""), None, "", ""
from config import exp_root
# 1. 加载训练样本
@ -1327,10 +1345,14 @@ def on_model_name_change(model_name: str):
label += f" | 【{emotion}】"
samples.append((label, str(f)))
choices = [s[0] for s in samples]
value = samples[0][0] if samples else ""
# 2. 自动匹配 GPT/SoVITS 权重（epoch 最接近 8/15）
gpt_dd, sovits_dd = auto_match_weights_for_model(model_name)
return gr.Dropdown(choices=choices, value=value), gpt_dd, sovits_dd
# 3. 自动引用首样本为参考音频+文本+情绪(避免依赖级联触发)
if samples:
first_audio, first_text, first_emotion = on_ref_sample_change(samples[0][0], model_name)
else:
first_audio, first_text, first_emotion = None, "", ""
return gr.Dropdown(choices=choices, value=choices[0] if choices else ""), gpt_dd, sovits_dd, first_audio, first_text, first_emotion
def on_ref_sample_change(sample_label: str, model_name: str):
@ -1504,61 +1526,59 @@ with gr.Blocks(title="GPT-SoVITS WebUI", analytics_enabled=False, js=js, css=css
# v3/v4 不支持该模式: 代码层直接隐藏, 避免用户误操作报错
visible=model_version not in v3v4set,
)
with gr.Row(equal_height=True):
with gr.Column(scale=10):
inp_ref = gr.Audio(label=i18n("请上传参考音频（推荐3~10秒）"), type="filepath")
with gr.Row():
inp_ref = gr.Audio(label=i18n("请上传参考音频（推荐3~10秒）"), type="filepath", scale=10)
with gr.Column(scale=10):
prompt_language = gr.Dropdown(
label=i18n("参考音频的语种"),
choices=list(dict_language.keys()),
value=i18n("中文"),
)
prompt_text = gr.Textbox(label=i18n("参考音频的文本"), value="", lines=4, max_lines=4, scale=1)
prompt_text = gr.Textbox(label=i18n("参考音频的文本"), value="", lines=3, max_lines=3)
ref_emotion_text = gr.Textbox(
label=i18n("情绪/括注（来自训练样本，无数据留空）"),
value="",
interactive=False,
scale=1,
)
with gr.Column(scale=8):
inp_refs = (
gr.File(
label=i18n(
"可选项：通过拖拽多个文件上传多个参考音频（建议同性），平均融合他们的音色。如不填写此项，音色由左侧单个参考音频控制。如是微调模型，建议参考音频全部在微调训练集音色内，底模不用管。"
),
file_count="multiple",
)
if model_version not in v3v4set
else gr.File(
label=i18n(
"可选项：通过拖拽多个文件上传多个参考音频（建议同性），平均融合他们的音色。如不填写此项，音色由左侧单个参考音频控制。如是微调模型，建议参考音频全部在微调训练集音色内，底模不用管。"
),
file_count="multiple",
visible=False,
)
)
sample_steps = (
gr.Radio(
label=i18n("采样步数,如果觉得电,提高试试,如果觉得慢,降低试试"),
value=32 if model_version == "v3" else 8,
choices=[4, 8, 16, 32, 64, 128] if model_version == "v3" else [4, 8, 16, 32],
visible=True,
)
if model_version in v3v4set
else gr.Radio(
label=i18n("采样步数,如果觉得电,提高试试,如果觉得慢,降低试试"),
choices=[4, 8, 16, 32, 64, 128] if model_version == "v3" else [4, 8, 16, 32],
visible=False,
value=32 if model_version == "v3" else 8,
)
)
if_sr_Checkbox = gr.Checkbox(
label=i18n("v3输出如果觉得闷可以试试开超分"),
value=False,
interactive=True,
show_label=True,
visible=False if model_version != "v3" else True,
)
# 多参考文件 + v3采样参数: 独立行(满宽), 不参与主行高度对齐
inp_refs = (
gr.File(
label=i18n(
"可选项：通过拖拽多个文件上传多个参考音频（建议同性），平均融合他们的音色。如不填写此项，音色由左侧单个参考音频控制。如是微调模型，建议参考音频全部在微调训练集音色内，底模不用管。"
),
file_count="multiple",
)
if model_version not in v3v4set
else gr.File(
label=i18n(
"可选项：通过拖拽多个文件上传多个参考音频（建议同性），平均融合他们的音色。如不填写此项，音色由左侧单个参考音频控制。如是微调模型，建议参考音频全部在微调训练集音色内，底模不用管。"
),
file_count="multiple",
visible=False,
)
)
sample_steps = (
gr.Radio(
label=i18n("采样步数,如果觉得电,提高试试,如果觉得慢,降低试试"),
value=32 if model_version == "v3" else 8,
choices=[4, 8, 16, 32, 64, 128] if model_version == "v3" else [4, 8, 16, 32],
visible=True,
)
if model_version in v3v4set
else gr.Radio(
label=i18n("采样步数,如果觉得电,提高试试,如果觉得慢,降低试试"),
choices=[4, 8, 16, 32, 64, 128] if model_version == "v3" else [4, 8, 16, 32],
visible=False,
value=32 if model_version == "v3" else 8,
)
)
if_sr_Checkbox = gr.Checkbox(
label=i18n("v3输出如果觉得闷可以试试开超分"),
value=False,
interactive=True,
show_label=True,
visible=False if model_version != "v3" else True,
)
gr.Markdown(html_center(i18n("*请填写需要合成的目标文本和语种模式"), "h3"))
with gr.Row():
with gr.Column(scale=13):
@ -1682,7 +1702,7 @@ with gr.Blocks(title="GPT-SoVITS WebUI", analytics_enabled=False, js=js, css=css
model_name_dropdown.change(
fn=on_model_name_change,
inputs=[model_name_dropdown],
outputs=[ref_sample_dropdown, GPT_dropdown, SoVITS_dropdown],
outputs=[ref_sample_dropdown, GPT_dropdown, SoVITS_dropdown, inp_ref, prompt_text, ref_emotion_text],
)
ref_sample_dropdown.change(
fn=on_ref_sample_change,

50
api_v2.py
View File

@ -638,31 +638,47 @@ def _read_name2text(logs_dir: Path) -> dict[str, dict[str, str]]:
def _read_emotion_map(model_name: str) -> dict[str, str]:
"""读取 ASR 标注 .list 中的 emotion 列，返回 {audio_name|stem: emotion}。
"""读取训练数据的 emotion，返回 {audio_name|stem: emotion}。
扫描 output/asr_opt/<model_name>/ 下所有 *.list（兼容 4/5/6 列）。
兼容 proplus-hc-dev 分支训练数据：emotion 为第 5 列，缺省为空串。
无 .list 或无 emotion 列时返回空 dict。
兼容新旧两种 emotion 数据源:
1. 旧: ASR 标注 .list 第5列 (output/asr_opt/<model_name>/*.list)
2. 新: logs/<model_name>/audio_metadata.json (推理WebUI回写的元数据)
合并两者, audio_metadata.json 优先(推理时回写的更新)。
"""
import json
from tools.list_metadata import parse_list_line
emotion_map: dict[str, str] = {}
def _add(name: str, emotion: str):
if name and emotion:
emotion_map[name] = emotion
emotion_map[Path(name).stem] = emotion
# 源1: .list (旧, ASR 标注)
list_dir = Path("output") / "asr_opt" / model_name
if not list_dir.exists():
return emotion_map
for list_path in sorted(list_dir.glob("*.list")):
if list_dir.exists():
for list_path in sorted(list_dir.glob("*.list")):
try:
for line in list_path.read_text(encoding="utf-8", errors="ignore").splitlines():
item = parse_list_line(line)
if item is None or not item.emotion:
continue
_add(os.path.basename(item.wav_path.strip("\"'")), item.emotion)
except Exception:
continue
# 源2: audio_metadata.json (新, 推理WebUI回写; 优先级高, 覆盖源1)
meta_path = Path(exp_root) / model_name / "audio_metadata.json"
if meta_path.exists():
try:
for line in list_path.read_text(encoding="utf-8", errors="ignore").splitlines():
item = parse_list_line(line)
if item is None or not item.emotion:
continue
name = os.path.basename(item.wav_path.strip("\"'"))
if not name:
continue
emotion_map[name] = item.emotion
emotion_map[Path(name).stem] = item.emotion
meta = json.loads(meta_path.read_text(encoding="utf-8", errors="ignore"))
for name, info in meta.items():
if isinstance(info, dict) and info.get("emotion"):
_add(name, info["emotion"])
except Exception:
continue
pass
return emotion_map