mirror of
https://github.com/RVC-Boss/GPT-SoVITS.git
synced 2025-10-07 23:48:48 +08:00
Refactor the server api code
This commit is contained in:
litongjava
parent
259f201984
commit
799168a5f7
617
api.py
617
api.py
@ -1,617 +0,0 @@
|
|||||||
import argparse
|
|
||||||
import os,re
|
|
||||||
import sys
|
|
||||||
|
|
||||||
current_project_dir = os.getcwd()
|
|
||||||
sys.path.append(current_project_dir)
|
|
||||||
sys.path.append("%s/GPT_SoVITS" % (current_project_dir))
|
|
||||||
|
|
||||||
import signal
|
|
||||||
import LangSegment
|
|
||||||
from time import time as ttime
|
|
||||||
import torch
|
|
||||||
import librosa
|
|
||||||
import soundfile as sf
|
|
||||||
from fastapi import FastAPI, Request
|
|
||||||
from fastapi.responses import StreamingResponse, JSONResponse
|
|
||||||
import uvicorn
|
|
||||||
from transformers import AutoModelForMaskedLM, AutoTokenizer
|
|
||||||
import numpy as np
|
|
||||||
from feature_extractor import cnhubert
|
|
||||||
from io import BytesIO
|
|
||||||
from module.models import SynthesizerTrn
|
|
||||||
from AR.models.t2s_lightning_module import Text2SemanticLightningModule
|
|
||||||
from text import cleaned_text_to_sequence
|
|
||||||
from text.cleaner import clean_text
|
|
||||||
from module.mel_processing import spectrogram_torch
|
|
||||||
from pyutils.np_utils import load_audio
|
|
||||||
import config as global_config
|
|
||||||
import logging
|
|
||||||
import subprocess
|
|
||||||
|
|
||||||
|
|
||||||
class DefaultRefer:
|
|
||||||
def __init__(self, path, text, language):
|
|
||||||
self.path = args.default_refer_path
|
|
||||||
self.text = args.default_refer_text
|
|
||||||
self.language = args.default_refer_language
|
|
||||||
|
|
||||||
def is_ready(self) -> bool:
|
|
||||||
return is_not_empty(self.path, self.text, self.language)
|
|
||||||
|
|
||||||
|
|
||||||
def is_empty(*items): # 任意一项不为空返回False
|
|
||||||
for item in items:
|
|
||||||
if item is not None and item != "":
|
|
||||||
return False
|
|
||||||
return True
|
|
||||||
|
|
||||||
|
|
||||||
def is_not_empty(*items): # 任意一项为空返回False
|
|
||||||
for item in items:
|
|
||||||
if item is None or item == "":
|
|
||||||
return False
|
|
||||||
return True
|
|
||||||
|
|
||||||
|
|
||||||
def change_sovits_weights(sovits_path):
|
|
||||||
global vq_model, hps
|
|
||||||
dict_s2 = torch.load(sovits_path, map_location="cpu")
|
|
||||||
hps = dict_s2["config"]
|
|
||||||
hps = DictToAttrRecursive(hps)
|
|
||||||
hps.model.semantic_frame_rate = "25hz"
|
|
||||||
model_params_dict = vars(hps.model)
|
|
||||||
vq_model = SynthesizerTrn(
|
|
||||||
hps.data.filter_length // 2 + 1,
|
|
||||||
hps.train.segment_size // hps.data.hop_length,
|
|
||||||
n_speakers=hps.data.n_speakers,
|
|
||||||
**model_params_dict
|
|
||||||
)
|
|
||||||
if ("pretrained" not in sovits_path):
|
|
||||||
del vq_model.enc_q
|
|
||||||
if is_half == True:
|
|
||||||
vq_model = vq_model.half().to(device)
|
|
||||||
else:
|
|
||||||
vq_model = vq_model.to(device)
|
|
||||||
vq_model.eval()
|
|
||||||
vq_model.load_state_dict(dict_s2["weight"], strict=False)
|
|
||||||
|
|
||||||
|
|
||||||
def change_gpt_weights(gpt_path):
|
|
||||||
global hz, max_sec, t2s_model, config
|
|
||||||
hz = 50
|
|
||||||
dict_s1 = torch.load(gpt_path, map_location="cpu")
|
|
||||||
config = dict_s1["config"]
|
|
||||||
max_sec = config["data"]["max_sec"]
|
|
||||||
t2s_model = Text2SemanticLightningModule(config, "****", is_train=False)
|
|
||||||
t2s_model.load_state_dict(dict_s1["weight"])
|
|
||||||
if is_half == True:
|
|
||||||
t2s_model = t2s_model.half()
|
|
||||||
t2s_model = t2s_model.to(device)
|
|
||||||
t2s_model.eval()
|
|
||||||
total = sum([param.nelement() for param in t2s_model.parameters()])
|
|
||||||
logger.info("Number of parameter: %.2fM" % (total / 1e6))
|
|
||||||
|
|
||||||
|
|
||||||
def get_bert_feature(text, word2ph):
|
|
||||||
with torch.no_grad():
|
|
||||||
inputs = tokenizer(text, return_tensors="pt")
|
|
||||||
for i in inputs:
|
|
||||||
inputs[i] = inputs[i].to(device) #####输入是long不用管精度问题，精度随bert_model
|
|
||||||
res = bert_model(**inputs, output_hidden_states=True)
|
|
||||||
res = torch.cat(res["hidden_states"][-3:-2], -1)[0].cpu()[1:-1]
|
|
||||||
assert len(word2ph) == len(text)
|
|
||||||
phone_level_feature = []
|
|
||||||
for i in range(len(word2ph)):
|
|
||||||
repeat_feature = res[i].repeat(word2ph[i], 1)
|
|
||||||
phone_level_feature.append(repeat_feature)
|
|
||||||
phone_level_feature = torch.cat(phone_level_feature, dim=0)
|
|
||||||
# if(is_half==True):phone_level_feature=phone_level_feature.half()
|
|
||||||
return phone_level_feature.T
|
|
||||||
|
|
||||||
|
|
||||||
def clean_text_inf(text, language):
|
|
||||||
phones, word2ph, norm_text = clean_text(text, language)
|
|
||||||
phones = cleaned_text_to_sequence(phones)
|
|
||||||
return phones, word2ph, norm_text
|
|
||||||
|
|
||||||
|
|
||||||
def get_bert_inf(phones, word2ph, norm_text, language):
|
|
||||||
language=language.replace("all_","")
|
|
||||||
if language == "zh":
|
|
||||||
bert = get_bert_feature(norm_text, word2ph).to(device)#.to(dtype)
|
|
||||||
else:
|
|
||||||
bert = torch.zeros(
|
|
||||||
(1024, len(phones)),
|
|
||||||
dtype=torch.float16 if is_half == True else torch.float32,
|
|
||||||
).to(device)
|
|
||||||
|
|
||||||
return bert
|
|
||||||
|
|
||||||
|
|
||||||
def get_phones_and_bert(text,language):
|
|
||||||
if language in {"en","all_zh","all_ja"}:
|
|
||||||
language = language.replace("all_","")
|
|
||||||
if language == "en":
|
|
||||||
LangSegment.setfilters(["en"])
|
|
||||||
formattext = " ".join(tmp["text"] for tmp in LangSegment.getTexts(text))
|
|
||||||
else:
|
|
||||||
# 因无法区别中日文汉字,以用户输入为准
|
|
||||||
formattext = text
|
|
||||||
while " " in formattext:
|
|
||||||
formattext = formattext.replace(" ", " ")
|
|
||||||
phones, word2ph, norm_text = clean_text_inf(formattext, language)
|
|
||||||
if language == "zh":
|
|
||||||
bert = get_bert_feature(norm_text, word2ph).to(device)
|
|
||||||
else:
|
|
||||||
bert = torch.zeros(
|
|
||||||
(1024, len(phones)),
|
|
||||||
dtype=torch.float16 if is_half == True else torch.float32,
|
|
||||||
).to(device)
|
|
||||||
elif language in {"zh", "ja","auto"}:
|
|
||||||
textlist=[]
|
|
||||||
langlist=[]
|
|
||||||
LangSegment.setfilters(["zh","ja","en","ko"])
|
|
||||||
if language == "auto":
|
|
||||||
for tmp in LangSegment.getTexts(text):
|
|
||||||
if tmp["lang"] == "ko":
|
|
||||||
langlist.append("zh")
|
|
||||||
textlist.append(tmp["text"])
|
|
||||||
else:
|
|
||||||
langlist.append(tmp["lang"])
|
|
||||||
textlist.append(tmp["text"])
|
|
||||||
else:
|
|
||||||
for tmp in LangSegment.getTexts(text):
|
|
||||||
if tmp["lang"] == "en":
|
|
||||||
langlist.append(tmp["lang"])
|
|
||||||
else:
|
|
||||||
# 因无法区别中日文汉字,以用户输入为准
|
|
||||||
langlist.append(language)
|
|
||||||
textlist.append(tmp["text"])
|
|
||||||
# logger.info(textlist)
|
|
||||||
# logger.info(langlist)
|
|
||||||
phones_list = []
|
|
||||||
bert_list = []
|
|
||||||
norm_text_list = []
|
|
||||||
for i in range(len(textlist)):
|
|
||||||
lang = langlist[i]
|
|
||||||
phones, word2ph, norm_text = clean_text_inf(textlist[i], lang)
|
|
||||||
bert = get_bert_inf(phones, word2ph, norm_text, lang)
|
|
||||||
phones_list.append(phones)
|
|
||||||
norm_text_list.append(norm_text)
|
|
||||||
bert_list.append(bert)
|
|
||||||
bert = torch.cat(bert_list, dim=1)
|
|
||||||
phones = sum(phones_list, [])
|
|
||||||
norm_text = ''.join(norm_text_list)
|
|
||||||
|
|
||||||
return phones,bert.to(torch.float16 if is_half == True else torch.float32),norm_text
|
|
||||||
|
|
||||||
|
|
||||||
class DictToAttrRecursive:
|
|
||||||
def __init__(self, input_dict):
|
|
||||||
for key, value in input_dict.items():
|
|
||||||
if isinstance(value, dict):
|
|
||||||
# 如果值是字典，递归调用构造函数
|
|
||||||
setattr(self, key, DictToAttrRecursive(value))
|
|
||||||
else:
|
|
||||||
setattr(self, key, value)
|
|
||||||
|
|
||||||
|
|
||||||
def get_spepc(hps, filename):
|
|
||||||
audio = load_audio(filename, int(hps.data.sampling_rate))
|
|
||||||
audio = torch.FloatTensor(audio)
|
|
||||||
audio_norm = audio
|
|
||||||
audio_norm = audio_norm.unsqueeze(0)
|
|
||||||
spec = spectrogram_torch(audio_norm, hps.data.filter_length, hps.data.sampling_rate, hps.data.hop_length,
|
|
||||||
hps.data.win_length, center=False)
|
|
||||||
return spec
|
|
||||||
|
|
||||||
|
|
||||||
def pack_audio(audio_bytes, data, rate):
|
|
||||||
if media_type == "ogg":
|
|
||||||
audio_bytes = pack_ogg(audio_bytes, data, rate)
|
|
||||||
elif media_type == "aac":
|
|
||||||
audio_bytes = pack_aac(audio_bytes, data, rate)
|
|
||||||
else:
|
|
||||||
# wav无法流式, 先暂存raw
|
|
||||||
audio_bytes = pack_raw(audio_bytes, data, rate)
|
|
||||||
|
|
||||||
return audio_bytes
|
|
||||||
|
|
||||||
|
|
||||||
def pack_ogg(audio_bytes, data, rate):
|
|
||||||
with sf.SoundFile(audio_bytes, mode='w', samplerate=rate, channels=1, format='ogg') as audio_file:
|
|
||||||
audio_file.write(data)
|
|
||||||
|
|
||||||
return audio_bytes
|
|
||||||
|
|
||||||
|
|
||||||
def pack_raw(audio_bytes, data, rate):
|
|
||||||
audio_bytes.write(data.tobytes())
|
|
||||||
|
|
||||||
return audio_bytes
|
|
||||||
|
|
||||||
|
|
||||||
def pack_wav(audio_bytes, rate):
|
|
||||||
data = np.frombuffer(audio_bytes.getvalue(),dtype=np.int16)
|
|
||||||
wav_bytes = BytesIO()
|
|
||||||
sf.write(wav_bytes, data, rate, format='wav')
|
|
||||||
|
|
||||||
return wav_bytes
|
|
||||||
|
|
||||||
|
|
||||||
def pack_aac(audio_bytes, data, rate):
|
|
||||||
process = subprocess.Popen([
|
|
||||||
'ffmpeg',
|
|
||||||
'-f', 's16le', # 输入16位有符号小端整数PCM
|
|
||||||
'-ar', str(rate), # 设置采样率
|
|
||||||
'-ac', '1', # 单声道
|
|
||||||
'-i', 'pipe:0', # 从管道读取输入
|
|
||||||
'-c:a', 'aac', # 音频编码器为AAC
|
|
||||||
'-b:a', '192k', # 比特率
|
|
||||||
'-vn', # 不包含视频
|
|
||||||
'-f', 'adts', # 输出AAC数据流格式
|
|
||||||
'pipe:1' # 将输出写入管道
|
|
||||||
], stdin=subprocess.PIPE, stdout=subprocess.PIPE, stderr=subprocess.PIPE)
|
|
||||||
out, _ = process.communicate(input=data.tobytes())
|
|
||||||
audio_bytes.write(out)
|
|
||||||
|
|
||||||
return audio_bytes
|
|
||||||
|
|
||||||
|
|
||||||
def read_clean_buffer(audio_bytes):
|
|
||||||
audio_chunk = audio_bytes.getvalue()
|
|
||||||
audio_bytes.truncate(0)
|
|
||||||
audio_bytes.seek(0)
|
|
||||||
|
|
||||||
return audio_bytes, audio_chunk
|
|
||||||
|
|
||||||
|
|
||||||
def cut_text(text, punc):
|
|
||||||
punc_list = [p for p in punc if p in {",", ".", ";", "?", "!", "、", "，", "。", "？", "！", "；", "：", "…"}]
|
|
||||||
if len(punc_list) > 0:
|
|
||||||
punds = r"[" + "".join(punc_list) + r"]"
|
|
||||||
text = text.strip("\n")
|
|
||||||
items = re.split(f"({punds})", text)
|
|
||||||
mergeitems = ["".join(group) for group in zip(items[::2], items[1::2])]
|
|
||||||
# 在句子不存在符号或句尾无符号的时候保证文本完整
|
|
||||||
if len(items)%2 == 1:
|
|
||||||
mergeitems.append(items[-1])
|
|
||||||
text = "\n".join(mergeitems)
|
|
||||||
|
|
||||||
while "\n\n" in text:
|
|
||||||
text = text.replace("\n\n", "\n")
|
|
||||||
|
|
||||||
return text
|
|
||||||
|
|
||||||
|
|
||||||
def only_punc(text):
|
|
||||||
return not any(t.isalnum() or t.isalpha() for t in text)
|
|
||||||
|
|
||||||
|
|
||||||
def get_tts_wav(ref_wav_path, prompt_text, prompt_language, text, text_language):
|
|
||||||
t0 = ttime()
|
|
||||||
prompt_text = prompt_text.strip("\n")
|
|
||||||
prompt_language, text = prompt_language, text.strip("\n")
|
|
||||||
zero_wav = np.zeros(int(hps.data.sampling_rate * 0.3), dtype=np.float16 if is_half == True else np.float32)
|
|
||||||
with torch.no_grad():
|
|
||||||
wav16k, sr = librosa.load(ref_wav_path, sr=16000)
|
|
||||||
wav16k = torch.from_numpy(wav16k)
|
|
||||||
zero_wav_torch = torch.from_numpy(zero_wav)
|
|
||||||
if (is_half == True):
|
|
||||||
wav16k = wav16k.half().to(device)
|
|
||||||
zero_wav_torch = zero_wav_torch.half().to(device)
|
|
||||||
else:
|
|
||||||
wav16k = wav16k.to(device)
|
|
||||||
zero_wav_torch = zero_wav_torch.to(device)
|
|
||||||
wav16k = torch.cat([wav16k, zero_wav_torch])
|
|
||||||
ssl_content = ssl_model.model(wav16k.unsqueeze(0))["last_hidden_state"].transpose(1, 2) # .float()
|
|
||||||
codes = vq_model.extract_latent(ssl_content)
|
|
||||||
prompt_semantic = codes[0, 0]
|
|
||||||
t1 = ttime()
|
|
||||||
prompt_language = dict_language[prompt_language.lower()]
|
|
||||||
text_language = dict_language[text_language.lower()]
|
|
||||||
phones1, bert1, norm_text1 = get_phones_and_bert(prompt_text, prompt_language)
|
|
||||||
texts = text.split("\n")
|
|
||||||
audio_bytes = BytesIO()
|
|
||||||
|
|
||||||
for text in texts:
|
|
||||||
# 简单防止纯符号引发参考音频泄露
|
|
||||||
if only_punc(text):
|
|
||||||
continue
|
|
||||||
|
|
||||||
audio_opt = []
|
|
||||||
phones2, bert2, norm_text2 = get_phones_and_bert(text, text_language)
|
|
||||||
bert = torch.cat([bert1, bert2], 1)
|
|
||||||
|
|
||||||
all_phoneme_ids = torch.LongTensor(phones1 + phones2).to(device).unsqueeze(0)
|
|
||||||
bert = bert.to(device).unsqueeze(0)
|
|
||||||
all_phoneme_len = torch.tensor([all_phoneme_ids.shape[-1]]).to(device)
|
|
||||||
prompt = prompt_semantic.unsqueeze(0).to(device)
|
|
||||||
t2 = ttime()
|
|
||||||
with torch.no_grad():
|
|
||||||
# pred_semantic = t2s_model.model.infer(
|
|
||||||
pred_semantic, idx = t2s_model.model.infer_panel(
|
|
||||||
all_phoneme_ids,
|
|
||||||
all_phoneme_len,
|
|
||||||
prompt,
|
|
||||||
bert,
|
|
||||||
# prompt_phone_len=ph_offset,
|
|
||||||
top_k=config['inference']['top_k'],
|
|
||||||
early_stop_num=hz * max_sec)
|
|
||||||
t3 = ttime()
|
|
||||||
# print(pred_semantic.shape,idx)
|
|
||||||
pred_semantic = pred_semantic[:, -idx:].unsqueeze(0) # .unsqueeze(0)#mq要多unsqueeze一次
|
|
||||||
refer = get_spepc(hps, ref_wav_path) # .to(device)
|
|
||||||
if (is_half == True):
|
|
||||||
refer = refer.half().to(device)
|
|
||||||
else:
|
|
||||||
refer = refer.to(device)
|
|
||||||
# audio = vq_model.decode(pred_semantic, all_phoneme_ids, refer).detach().cpu().numpy()[0, 0]
|
|
||||||
audio = \
|
|
||||||
vq_model.decode(pred_semantic, torch.LongTensor(phones2).to(device).unsqueeze(0),
|
|
||||||
refer).detach().cpu().numpy()[
|
|
||||||
0, 0] ###试试重建不带上prompt部分
|
|
||||||
audio_opt.append(audio)
|
|
||||||
audio_opt.append(zero_wav)
|
|
||||||
t4 = ttime()
|
|
||||||
audio_bytes = pack_audio(audio_bytes,(np.concatenate(audio_opt, 0) * 32768).astype(np.int16),hps.data.sampling_rate)
|
|
||||||
# logger.info("%.3f\t%.3f\t%.3f\t%.3f" % (t1 - t0, t2 - t1, t3 - t2, t4 - t3))
|
|
||||||
if stream_mode == "normal":
|
|
||||||
audio_bytes, audio_chunk = read_clean_buffer(audio_bytes)
|
|
||||||
yield audio_chunk
|
|
||||||
|
|
||||||
if not stream_mode == "normal":
|
|
||||||
if media_type == "wav":
|
|
||||||
audio_bytes = pack_wav(audio_bytes,hps.data.sampling_rate)
|
|
||||||
yield audio_bytes.getvalue()
|
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
def handle_control(command):
|
|
||||||
if command == "restart":
|
|
||||||
os.execl(g_config.python_exec, g_config.python_exec, *sys.argv)
|
|
||||||
elif command == "exit":
|
|
||||||
os.kill(os.getpid(), signal.SIGTERM)
|
|
||||||
exit(0)
|
|
||||||
|
|
||||||
|
|
||||||
def handle_change(path, text, language):
|
|
||||||
if is_empty(path, text, language):
|
|
||||||
return JSONResponse({"code": 400, "message": '缺少任意一项以下参数: "path", "text", "language"'}, status_code=400)
|
|
||||||
|
|
||||||
if path != "" or path is not None:
|
|
||||||
default_refer.path = path
|
|
||||||
if text != "" or text is not None:
|
|
||||||
default_refer.text = text
|
|
||||||
if language != "" or language is not None:
|
|
||||||
default_refer.language = language
|
|
||||||
|
|
||||||
logger.info(f"当前默认参考音频路径: {default_refer.path}")
|
|
||||||
logger.info(f"当前默认参考音频文本: {default_refer.text}")
|
|
||||||
logger.info(f"当前默认参考音频语种: {default_refer.language}")
|
|
||||||
logger.info(f"is_ready: {default_refer.is_ready()}")
|
|
||||||
|
|
||||||
|
|
||||||
return JSONResponse({"code": 0, "message": "Success"}, status_code=200)
|
|
||||||
|
|
||||||
|
|
||||||
def handle(refer_wav_path, prompt_text, prompt_language, text, text_language, cut_punc):
|
|
||||||
if (
|
|
||||||
refer_wav_path == "" or refer_wav_path is None
|
|
||||||
or prompt_text == "" or prompt_text is None
|
|
||||||
or prompt_language == "" or prompt_language is None
|
|
||||||
):
|
|
||||||
refer_wav_path, prompt_text, prompt_language = (
|
|
||||||
default_refer.path,
|
|
||||||
default_refer.text,
|
|
||||||
default_refer.language,
|
|
||||||
)
|
|
||||||
if not default_refer.is_ready():
|
|
||||||
return JSONResponse({"code": 400, "message": "未指定参考音频且接口无预设"}, status_code=400)
|
|
||||||
|
|
||||||
if cut_punc == None:
|
|
||||||
text = cut_text(text,default_cut_punc)
|
|
||||||
else:
|
|
||||||
text = cut_text(text,cut_punc)
|
|
||||||
|
|
||||||
return StreamingResponse(get_tts_wav(refer_wav_path, prompt_text, prompt_language, text, text_language), media_type="audio/"+media_type)
|
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
# --------------------------------
|
|
||||||
# 初始化部分
|
|
||||||
# --------------------------------
|
|
||||||
dict_language = {
|
|
||||||
"中文": "all_zh",
|
|
||||||
"英文": "en",
|
|
||||||
"日文": "all_ja",
|
|
||||||
"中英混合": "zh",
|
|
||||||
"日英混合": "ja",
|
|
||||||
"多语种混合": "auto", #多语种启动切分识别语种
|
|
||||||
"all_zh": "all_zh",
|
|
||||||
"en": "en",
|
|
||||||
"all_ja": "all_ja",
|
|
||||||
"zh": "zh",
|
|
||||||
"ja": "ja",
|
|
||||||
"auto": "auto",
|
|
||||||
}
|
|
||||||
|
|
||||||
# logger
|
|
||||||
logging.config.dictConfig(uvicorn.config.LOGGING_CONFIG)
|
|
||||||
logger = logging.getLogger('uvicorn')
|
|
||||||
|
|
||||||
# 获取配置
|
|
||||||
g_config = global_config.Config()
|
|
||||||
|
|
||||||
# 获取参数
|
|
||||||
parser = argparse.ArgumentParser(description="GPT-SoVITS api")
|
|
||||||
|
|
||||||
parser.add_argument("-s", "--sovits_path", type=str, default=g_config.sovits_path, help="SoVITS模型路径")
|
|
||||||
parser.add_argument("-g", "--gpt_path", type=str, default=g_config.gpt_path, help="GPT模型路径")
|
|
||||||
parser.add_argument("-dr", "--default_refer_path", type=str, default="", help="默认参考音频路径")
|
|
||||||
parser.add_argument("-dt", "--default_refer_text", type=str, default="", help="默认参考音频文本")
|
|
||||||
parser.add_argument("-dl", "--default_refer_language", type=str, default="", help="默认参考音频语种")
|
|
||||||
parser.add_argument("-d", "--device", type=str, default=g_config.infer_device, help="cuda / cpu")
|
|
||||||
parser.add_argument("-a", "--bind_addr", type=str, default="0.0.0.0", help="default: 0.0.0.0")
|
|
||||||
parser.add_argument("-p", "--port", type=int, default=g_config.api_port, help="default: 9880")
|
|
||||||
parser.add_argument("-fp", "--full_precision", action="store_true", default=False, help="覆盖config.is_half为False, 使用全精度")
|
|
||||||
parser.add_argument("-hp", "--half_precision", action="store_true", default=False, help="覆盖config.is_half为True, 使用半精度")
|
|
||||||
# bool值的用法为 `python ./api.py -fp ...`
|
|
||||||
# 此时 full_precision==True, half_precision==False
|
|
||||||
parser.add_argument("-sm", "--stream_mode", type=str, default="close", help="流式返回模式, close / normal / keepalive")
|
|
||||||
parser.add_argument("-mt", "--media_type", type=str, default="wav", help="音频编码格式, wav / ogg / aac")
|
|
||||||
parser.add_argument("-cp", "--cut_punc", type=str, default="", help="文本切分符号设定, 符号范围,.;?!、，。？！；：…")
|
|
||||||
# 切割常用分句符为 `python ./api.py -cp ".?!。？！"`
|
|
||||||
parser.add_argument("-hb", "--hubert_path", type=str, default=g_config.cnhubert_path, help="覆盖config.cnhubert_path")
|
|
||||||
parser.add_argument("-b", "--bert_path", type=str, default=g_config.bert_path, help="覆盖config.bert_path")
|
|
||||||
|
|
||||||
args = parser.parse_args()
|
|
||||||
sovits_path = args.sovits_path
|
|
||||||
gpt_path = args.gpt_path
|
|
||||||
device = args.device
|
|
||||||
port = args.port
|
|
||||||
host = args.bind_addr
|
|
||||||
cnhubert_base_path = args.hubert_path
|
|
||||||
bert_path = args.bert_path
|
|
||||||
default_cut_punc = args.cut_punc
|
|
||||||
|
|
||||||
# 应用参数配置
|
|
||||||
default_refer = DefaultRefer(args.default_refer_path, args.default_refer_text, args.default_refer_language)
|
|
||||||
|
|
||||||
# 模型路径检查
|
|
||||||
if sovits_path == "":
|
|
||||||
sovits_path = g_config.pretrained_sovits_path
|
|
||||||
logger.warn(f"未指定SoVITS模型路径, fallback后当前值: {sovits_path}")
|
|
||||||
if gpt_path == "":
|
|
||||||
gpt_path = g_config.pretrained_gpt_path
|
|
||||||
logger.warn(f"未指定GPT模型路径, fallback后当前值: {gpt_path}")
|
|
||||||
|
|
||||||
# 指定默认参考音频, 调用方 未提供/未给全 参考音频参数时使用
|
|
||||||
if default_refer.path == "" or default_refer.text == "" or default_refer.language == "":
|
|
||||||
default_refer.path, default_refer.text, default_refer.language = "", "", ""
|
|
||||||
logger.info("未指定默认参考音频")
|
|
||||||
else:
|
|
||||||
logger.info(f"默认参考音频路径: {default_refer.path}")
|
|
||||||
logger.info(f"默认参考音频文本: {default_refer.text}")
|
|
||||||
logger.info(f"默认参考音频语种: {default_refer.language}")
|
|
||||||
|
|
||||||
# 获取半精度
|
|
||||||
is_half = g_config.is_half
|
|
||||||
if args.full_precision:
|
|
||||||
is_half = False
|
|
||||||
if args.half_precision:
|
|
||||||
is_half = True
|
|
||||||
if args.full_precision and args.half_precision:
|
|
||||||
is_half = g_config.is_half # 炒饭fallback
|
|
||||||
logger.info(f"半精: {is_half}")
|
|
||||||
|
|
||||||
# 流式返回模式
|
|
||||||
if args.stream_mode.lower() in ["normal","n"]:
|
|
||||||
stream_mode = "normal"
|
|
||||||
logger.info("流式返回已开启")
|
|
||||||
else:
|
|
||||||
stream_mode = "close"
|
|
||||||
|
|
||||||
# 音频编码格式
|
|
||||||
if args.media_type.lower() in ["aac","ogg"]:
|
|
||||||
media_type = args.media_type.lower()
|
|
||||||
elif stream_mode == "close":
|
|
||||||
media_type = "wav"
|
|
||||||
else:
|
|
||||||
media_type = "ogg"
|
|
||||||
logger.info(f"编码格式: {media_type}")
|
|
||||||
|
|
||||||
# 初始化模型
|
|
||||||
cnhubert.cnhubert_base_path = cnhubert_base_path
|
|
||||||
tokenizer = AutoTokenizer.from_pretrained(bert_path)
|
|
||||||
bert_model = AutoModelForMaskedLM.from_pretrained(bert_path)
|
|
||||||
ssl_model = cnhubert.get_model()
|
|
||||||
if is_half:
|
|
||||||
bert_model = bert_model.half().to(device)
|
|
||||||
ssl_model = ssl_model.half().to(device)
|
|
||||||
else:
|
|
||||||
bert_model = bert_model.to(device)
|
|
||||||
ssl_model = ssl_model.to(device)
|
|
||||||
change_sovits_weights(sovits_path)
|
|
||||||
change_gpt_weights(gpt_path)
|
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
# --------------------------------
|
|
||||||
# 接口部分
|
|
||||||
# --------------------------------
|
|
||||||
app = FastAPI()
|
|
||||||
|
|
||||||
@app.post("/set_model")
|
|
||||||
async def set_model(request: Request):
|
|
||||||
json_post_raw = await request.json()
|
|
||||||
global gpt_path
|
|
||||||
gpt_path=json_post_raw.get("gpt_model_path")
|
|
||||||
global sovits_path
|
|
||||||
sovits_path=json_post_raw.get("sovits_model_path")
|
|
||||||
logger.info("gptpath"+gpt_path+";vitspath"+sovits_path)
|
|
||||||
change_sovits_weights(sovits_path)
|
|
||||||
change_gpt_weights(gpt_path)
|
|
||||||
return "ok"
|
|
||||||
|
|
||||||
|
|
||||||
@app.post("/control")
|
|
||||||
async def control(request: Request):
|
|
||||||
json_post_raw = await request.json()
|
|
||||||
return handle_control(json_post_raw.get("command"))
|
|
||||||
|
|
||||||
|
|
||||||
@app.get("/control")
|
|
||||||
async def control(command: str = None):
|
|
||||||
return handle_control(command)
|
|
||||||
|
|
||||||
|
|
||||||
@app.post("/change_refer")
|
|
||||||
async def change_refer(request: Request):
|
|
||||||
json_post_raw = await request.json()
|
|
||||||
return handle_change(
|
|
||||||
json_post_raw.get("refer_wav_path"),
|
|
||||||
json_post_raw.get("prompt_text"),
|
|
||||||
json_post_raw.get("prompt_language")
|
|
||||||
)
|
|
||||||
|
|
||||||
|
|
||||||
@app.get("/change_refer")
|
|
||||||
async def change_refer(
|
|
||||||
refer_wav_path: str = None,
|
|
||||||
prompt_text: str = None,
|
|
||||||
prompt_language: str = None
|
|
||||||
):
|
|
||||||
return handle_change(refer_wav_path, prompt_text, prompt_language)
|
|
||||||
|
|
||||||
|
|
||||||
@app.post("/")
|
|
||||||
async def tts_endpoint(request: Request):
|
|
||||||
json_post_raw = await request.json()
|
|
||||||
return handle(
|
|
||||||
json_post_raw.get("refer_wav_path"),
|
|
||||||
json_post_raw.get("prompt_text"),
|
|
||||||
json_post_raw.get("prompt_language"),
|
|
||||||
json_post_raw.get("text"),
|
|
||||||
json_post_raw.get("text_language"),
|
|
||||||
json_post_raw.get("cut_punc"),
|
|
||||||
)
|
|
||||||
|
|
||||||
|
|
||||||
@app.get("/")
|
|
||||||
async def tts_endpoint(
|
|
||||||
refer_wav_path: str = None,
|
|
||||||
prompt_text: str = None,
|
|
||||||
prompt_language: str = None,
|
|
||||||
text: str = None,
|
|
||||||
text_language: str = None,
|
|
||||||
cut_punc: str = None,
|
|
||||||
):
|
|
||||||
return handle(refer_wav_path, prompt_text, prompt_language, text, text_language, cut_punc)
|
|
||||||
|
|
||||||
|
|
||||||
if __name__ == "__main__":
|
|
||||||
uvicorn.run(app, host=host, port=port, workers=1)
|
|
||||||
65
config.py
65
config.py
@ -1,4 +1,4 @@
|
|||||||
import sys,os
|
import sys, os
|
||||||
|
|
||||||
import torch
|
import torch
|
||||||
|
|
||||||
@ -7,8 +7,8 @@ sovits_path = ""
|
|||||||
gpt_path = ""
|
gpt_path = ""
|
||||||
is_half_str = os.environ.get("is_half", "True")
|
is_half_str = os.environ.get("is_half", "True")
|
||||||
is_half = True if is_half_str.lower() == 'true' else False
|
is_half = True if is_half_str.lower() == 'true' else False
|
||||||
is_share_str = os.environ.get("is_share","False")
|
is_share_str = os.environ.get("is_share", "False")
|
||||||
is_share= True if is_share_str.lower() == 'true' else False
|
is_share = True if is_share_str.lower() == 'true' else False
|
||||||
|
|
||||||
cnhubert_path = "GPT_SoVITS/pretrained_models/chinese-hubert-base"
|
cnhubert_path = "GPT_SoVITS/pretrained_models/chinese-hubert-base"
|
||||||
bert_path = "GPT_SoVITS/pretrained_models/chinese-roberta-wwm-ext-large"
|
bert_path = "GPT_SoVITS/pretrained_models/chinese-roberta-wwm-ext-large"
|
||||||
@ -18,9 +18,9 @@ pretrained_gpt_path = "GPT_SoVITS/pretrained_models/s1bert25hz-2kh-longer-epoch=
|
|||||||
exp_root = "logs"
|
exp_root = "logs"
|
||||||
python_exec = sys.executable or "python"
|
python_exec = sys.executable or "python"
|
||||||
if torch.cuda.is_available():
|
if torch.cuda.is_available():
|
||||||
infer_device = "cuda"
|
infer_device = "cuda"
|
||||||
else:
|
else:
|
||||||
infer_device = "cpu"
|
infer_device = "cpu"
|
||||||
|
|
||||||
webui_port_main = 9874
|
webui_port_main = 9874
|
||||||
webui_port_uvr5 = 9873
|
webui_port_uvr5 = 9873
|
||||||
@ -30,37 +30,38 @@ webui_port_subfix = 9871
|
|||||||
api_port = 9880
|
api_port = 9880
|
||||||
|
|
||||||
if infer_device == "cuda":
|
if infer_device == "cuda":
|
||||||
gpu_name = torch.cuda.get_device_name(0)
|
gpu_name = torch.cuda.get_device_name(0)
|
||||||
if (
|
if (
|
||||||
("16" in gpu_name and "V100" not in gpu_name.upper())
|
("16" in gpu_name and "V100" not in gpu_name.upper())
|
||||||
or "P40" in gpu_name.upper()
|
or "P40" in gpu_name.upper()
|
||||||
or "P10" in gpu_name.upper()
|
or "P10" in gpu_name.upper()
|
||||||
or "1060" in gpu_name
|
or "1060" in gpu_name
|
||||||
or "1070" in gpu_name
|
or "1070" in gpu_name
|
||||||
or "1080" in gpu_name
|
or "1080" in gpu_name
|
||||||
):
|
):
|
||||||
is_half=False
|
is_half = False
|
||||||
|
|
||||||
|
if (infer_device == "cpu"): is_half = False
|
||||||
|
|
||||||
if(infer_device=="cpu"):is_half=False
|
|
||||||
|
|
||||||
class Config:
|
class Config:
|
||||||
def __init__(self):
|
def __init__(self):
|
||||||
self.sovits_path = sovits_path
|
self.sovits_path = sovits_path
|
||||||
self.gpt_path = gpt_path
|
self.gpt_path = gpt_path
|
||||||
self.is_half = is_half
|
self.is_half = is_half
|
||||||
|
|
||||||
self.cnhubert_path = cnhubert_path
|
self.cnhubert_path = cnhubert_path
|
||||||
self.bert_path = bert_path
|
self.bert_path = bert_path
|
||||||
self.pretrained_sovits_path = pretrained_sovits_path
|
self.pretrained_sovits_path = pretrained_sovits_path
|
||||||
self.pretrained_gpt_path = pretrained_gpt_path
|
self.pretrained_gpt_path = pretrained_gpt_path
|
||||||
|
|
||||||
self.exp_root = exp_root
|
self.exp_root = exp_root
|
||||||
self.python_exec = python_exec
|
self.python_exec = python_exec
|
||||||
self.infer_device = infer_device
|
self.infer_device = infer_device
|
||||||
|
|
||||||
self.webui_port_main = webui_port_main
|
self.webui_port_main = webui_port_main
|
||||||
self.webui_port_uvr5 = webui_port_uvr5
|
self.webui_port_uvr5 = webui_port_uvr5
|
||||||
self.webui_port_infer_tts = webui_port_infer_tts
|
self.webui_port_infer_tts = webui_port_infer_tts
|
||||||
self.webui_port_subfix = webui_port_subfix
|
self.webui_port_subfix = webui_port_subfix
|
||||||
|
|
||||||
self.api_port = api_port
|
self.api_port = api_port
|
||||||
|
|||||||
49
main.py
Normal file
49
main.py
Normal file
@ -0,0 +1,49 @@
|
|||||||
|
import argparse
|
||||||
|
|
||||||
|
import uvicorn
|
||||||
|
import config as global_config
|
||||||
|
|
||||||
|
from app import app
|
||||||
|
from cmd_args import CmdArgs
|
||||||
|
|
||||||
|
g_config = global_config.Config()
|
||||||
|
# 获取参数
|
||||||
|
parser = argparse.ArgumentParser(description="GPT-SoVITS api")
|
||||||
|
|
||||||
|
parser.add_argument("-s", "--sovits_path", type=str, default=g_config.sovits_path, help="SoVITS模型路径")
|
||||||
|
parser.add_argument("-g", "--gpt_path", type=str, default=g_config.gpt_path, help="GPT模型路径")
|
||||||
|
parser.add_argument("-dr", "--default_refer_path", type=str, default="", help="默认参考音频路径")
|
||||||
|
parser.add_argument("-dt", "--default_refer_text", type=str, default="", help="默认参考音频文本")
|
||||||
|
parser.add_argument("-dl", "--default_refer_language", type=str, default="", help="默认参考音频语种")
|
||||||
|
parser.add_argument("-d", "--device", type=str, default=g_config.infer_device, help="cuda / cpu")
|
||||||
|
parser.add_argument("-a", "--bind_addr", type=str, default="0.0.0.0", help="default: 0.0.0.0")
|
||||||
|
parser.add_argument("-p", "--port", type=int, default=g_config.api_port, help="default: 9880")
|
||||||
|
parser.add_argument("-fp", "--full_precision", action="store_true", default=False,
|
||||||
|
help="覆盖config.is_half为False, 使用全精度")
|
||||||
|
parser.add_argument("-hp", "--half_precision", action="store_true", default=False,
|
||||||
|
help="覆盖config.is_half为True, 使用半精度")
|
||||||
|
# bool值的用法为 `python ./tts_service.py -fp ...`
|
||||||
|
# 此时 full_precision==True, half_precision==False
|
||||||
|
parser.add_argument("-sm", "--stream_mode", type=str, default="close", help="流式返回模式, close / normal / keepalive")
|
||||||
|
parser.add_argument("-mt", "--media_type", type=str, default="wav", help="音频编码格式, wav / ogg / aac")
|
||||||
|
parser.add_argument("-cp", "--cut_punc", type=str, default="", help="文本切分符号设定, 符号范围,.;?!、，。？！；：…")
|
||||||
|
# 切割常用分句符为 `python ./tts_service.py -cp ".?!。？！"`
|
||||||
|
parser.add_argument("-hb", "--hubert_path", type=str, default=g_config.cnhubert_path, help="覆盖config.cnhubert_path")
|
||||||
|
parser.add_argument("-b", "--bert_path", type=str, default=g_config.bert_path, help="覆盖config.bert_path")
|
||||||
|
|
||||||
|
args = parser.parse_args()
|
||||||
|
|
||||||
|
# 保存参数到单例对象中
|
||||||
|
cmd_args = CmdArgs()
|
||||||
|
cmd_args.set_args(args)
|
||||||
|
import server
|
||||||
|
server.register_Hanlder(app)
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == "__main__":
|
||||||
|
|
||||||
|
port = args.port
|
||||||
|
host = args.bind_addr
|
||||||
|
uvicorn.run(app, host=host, port=port, workers=1)
|
||||||
|
|
||||||
|
|
||||||
6
server/app.py
Normal file
6
server/app.py
Normal file
@ -0,0 +1,6 @@
|
|||||||
|
from fastapi import FastAPI
|
||||||
|
|
||||||
|
from pyutils.logs import llog
|
||||||
|
|
||||||
|
llog.info("start server")
|
||||||
|
app = FastAPI()
|
||||||
13
server/cmd_args.py
Normal file
13
server/cmd_args.py
Normal file
@ -0,0 +1,13 @@
|
|||||||
|
class CmdArgs:
|
||||||
|
_instance = None
|
||||||
|
|
||||||
|
def __new__(cls, *args, **kwargs):
|
||||||
|
if cls._instance is None:
|
||||||
|
cls._instance = super(CmdArgs, cls).__new__(cls)
|
||||||
|
return cls._instance
|
||||||
|
|
||||||
|
def set_args(self, args):
|
||||||
|
self.args = args
|
||||||
|
|
||||||
|
def get_args(self):
|
||||||
|
return self.args
|
||||||
72
server/handlers.py
Normal file
72
server/handlers.py
Normal file
@ -0,0 +1,72 @@
|
|||||||
|
from fastapi import APIRouter, Request
|
||||||
|
from pyutils.logs import llog
|
||||||
|
from tts_service import change_sovits_weights, change_gpt_weights, handle_control, handle_change, handle
|
||||||
|
|
||||||
|
index_router = APIRouter()
|
||||||
|
|
||||||
|
@index_router.post("/set_model")
|
||||||
|
async def set_model(request: Request):
|
||||||
|
json_post_raw = await request.json()
|
||||||
|
global gpt_path
|
||||||
|
gpt_path = json_post_raw.get("gpt_model_path")
|
||||||
|
global sovits_path
|
||||||
|
sovits_path = json_post_raw.get("sovits_model_path")
|
||||||
|
llog.info("gptpath" + gpt_path + ";vitspath" + sovits_path)
|
||||||
|
change_sovits_weights(sovits_path)
|
||||||
|
change_gpt_weights(gpt_path)
|
||||||
|
return "ok"
|
||||||
|
|
||||||
|
|
||||||
|
@index_router.post("/control")
|
||||||
|
async def control(request: Request):
|
||||||
|
json_post_raw = await request.json()
|
||||||
|
return handle_control(json_post_raw.get("command"))
|
||||||
|
|
||||||
|
|
||||||
|
@index_router.get("/control")
|
||||||
|
async def control(command: str = None):
|
||||||
|
return handle_control(command)
|
||||||
|
|
||||||
|
|
||||||
|
@index_router.post("/change_refer")
|
||||||
|
async def change_refer(request: Request):
|
||||||
|
json_post_raw = await request.json()
|
||||||
|
return handle_change(
|
||||||
|
json_post_raw.get("refer_wav_path"),
|
||||||
|
json_post_raw.get("prompt_text"),
|
||||||
|
json_post_raw.get("prompt_language")
|
||||||
|
)
|
||||||
|
|
||||||
|
|
||||||
|
@index_router.get("/change_refer")
|
||||||
|
async def change_refer(
|
||||||
|
refer_wav_path: str = None,
|
||||||
|
prompt_text: str = None,
|
||||||
|
prompt_language: str = None
|
||||||
|
):
|
||||||
|
return handle_change(refer_wav_path, prompt_text, prompt_language)
|
||||||
|
|
||||||
|
|
||||||
|
@index_router.post("/")
|
||||||
|
async def tts_endpoint(request: Request):
|
||||||
|
json_post_raw = await request.json()
|
||||||
|
return handle(
|
||||||
|
json_post_raw.get("refer_wav_path"),
|
||||||
|
json_post_raw.get("prompt_text"),
|
||||||
|
json_post_raw.get("prompt_language"),
|
||||||
|
json_post_raw.get("text"),
|
||||||
|
json_post_raw.get("text_language"),
|
||||||
|
json_post_raw.get("cut_punc"),
|
||||||
|
)
|
||||||
|
|
||||||
|
|
||||||
|
@index_router.get("/")
|
||||||
|
async def tts_endpoint(
|
||||||
|
refer_wav_path: str = None,
|
||||||
|
prompt_text: str = None,
|
||||||
|
prompt_language: str = None,
|
||||||
|
text: str = None,
|
||||||
|
text_language: str = None,
|
||||||
|
cut_punc: str = None,
|
||||||
|
):
|
||||||
|
return handle(refer_wav_path, prompt_text, prompt_language, text, text_language, cut_punc)
|
||||||
3
server/server.py
Normal file
3
server/server.py
Normal file
@ -0,0 +1,3 @@
|
|||||||
|
def register_Hanlder(app):
|
||||||
|
from handlers import index_router
|
||||||
|
app.include_router(index_router)
|
||||||
510
server/tts_service.py
Normal file
510
server/tts_service.py
Normal file
@ -0,0 +1,510 @@
|
|||||||
|
import os
|
||||||
|
import re
|
||||||
|
import sys
|
||||||
|
|
||||||
|
from cmd_args import CmdArgs
|
||||||
|
from pyutils.logs import llog
|
||||||
|
|
||||||
|
current_project_dir = os.getcwd()
|
||||||
|
sys.path.append(current_project_dir)
|
||||||
|
sys.path.append("%s/GPT_SoVITS" % (current_project_dir))
|
||||||
|
|
||||||
|
import signal
|
||||||
|
import LangSegment
|
||||||
|
from time import time as ttime
|
||||||
|
import torch
|
||||||
|
import librosa
|
||||||
|
import soundfile as sf
|
||||||
|
from fastapi.responses import StreamingResponse, JSONResponse
|
||||||
|
from transformers import AutoModelForMaskedLM, AutoTokenizer
|
||||||
|
import numpy as np
|
||||||
|
from feature_extractor import cnhubert
|
||||||
|
from io import BytesIO
|
||||||
|
from module.models import SynthesizerTrn
|
||||||
|
from AR.models.t2s_lightning_module import Text2SemanticLightningModule
|
||||||
|
from text import cleaned_text_to_sequence
|
||||||
|
from text.cleaner import clean_text
|
||||||
|
from module.mel_processing import spectrogram_torch
|
||||||
|
from pyutils.np_utils import load_audio
|
||||||
|
import subprocess
|
||||||
|
import config as global_config
|
||||||
|
|
||||||
|
g_config = global_config.Config()
|
||||||
|
|
||||||
|
|
||||||
|
class DefaultRefer:
|
||||||
|
def __init__(self, path, text, language):
|
||||||
|
self.path = args.default_refer_path
|
||||||
|
self.text = args.default_refer_text
|
||||||
|
self.language = args.default_refer_language
|
||||||
|
|
||||||
|
def is_ready(self) -> bool:
|
||||||
|
return is_not_empty(self.path, self.text, self.language)
|
||||||
|
|
||||||
|
|
||||||
|
def is_empty(*items): # 任意一项不为空返回False
|
||||||
|
for item in items:
|
||||||
|
if item is not None and item != "":
|
||||||
|
return False
|
||||||
|
return True
|
||||||
|
|
||||||
|
|
||||||
|
def is_not_empty(*items): # 任意一项为空返回False
|
||||||
|
for item in items:
|
||||||
|
if item is None or item == "":
|
||||||
|
return False
|
||||||
|
return True
|
||||||
|
|
||||||
|
|
||||||
|
def change_sovits_weights(sovits_path):
|
||||||
|
global vq_model, hps
|
||||||
|
dict_s2 = torch.load(sovits_path, map_location="cpu")
|
||||||
|
hps = dict_s2["config"]
|
||||||
|
hps = DictToAttrRecursive(hps)
|
||||||
|
hps.model.semantic_frame_rate = "25hz"
|
||||||
|
model_params_dict = vars(hps.model)
|
||||||
|
vq_model = SynthesizerTrn(
|
||||||
|
hps.data.filter_length // 2 + 1,
|
||||||
|
hps.train.segment_size // hps.data.hop_length,
|
||||||
|
n_speakers=hps.data.n_speakers,
|
||||||
|
**model_params_dict
|
||||||
|
)
|
||||||
|
if ("pretrained" not in sovits_path):
|
||||||
|
del vq_model.enc_q
|
||||||
|
if is_half == True:
|
||||||
|
vq_model = vq_model.half().to(device)
|
||||||
|
else:
|
||||||
|
vq_model = vq_model.to(device)
|
||||||
|
vq_model.eval()
|
||||||
|
vq_model.load_state_dict(dict_s2["weight"], strict=False)
|
||||||
|
|
||||||
|
|
||||||
|
def change_gpt_weights(gpt_path):
|
||||||
|
global hz, max_sec, t2s_model, config
|
||||||
|
hz = 50
|
||||||
|
dict_s1 = torch.load(gpt_path, map_location="cpu")
|
||||||
|
config = dict_s1["config"]
|
||||||
|
max_sec = config["data"]["max_sec"]
|
||||||
|
t2s_model = Text2SemanticLightningModule(config, "****", is_train=False)
|
||||||
|
t2s_model.load_state_dict(dict_s1["weight"])
|
||||||
|
if is_half == True:
|
||||||
|
t2s_model = t2s_model.half()
|
||||||
|
t2s_model = t2s_model.to(device)
|
||||||
|
t2s_model.eval()
|
||||||
|
total = sum([param.nelement() for param in t2s_model.parameters()])
|
||||||
|
llog.info("Number of parameter: %.2fM" % (total / 1e6))
|
||||||
|
|
||||||
|
|
||||||
|
def get_bert_feature(text, word2ph):
|
||||||
|
with torch.no_grad():
|
||||||
|
inputs = tokenizer(text, return_tensors="pt")
|
||||||
|
for i in inputs:
|
||||||
|
inputs[i] = inputs[i].to(device) #####输入是long不用管精度问题，精度随bert_model
|
||||||
|
res = bert_model(**inputs, output_hidden_states=True)
|
||||||
|
res = torch.cat(res["hidden_states"][-3:-2], -1)[0].cpu()[1:-1]
|
||||||
|
assert len(word2ph) == len(text)
|
||||||
|
phone_level_feature = []
|
||||||
|
for i in range(len(word2ph)):
|
||||||
|
repeat_feature = res[i].repeat(word2ph[i], 1)
|
||||||
|
phone_level_feature.append(repeat_feature)
|
||||||
|
phone_level_feature = torch.cat(phone_level_feature, dim=0)
|
||||||
|
# if(is_half==True):phone_level_feature=phone_level_feature.half()
|
||||||
|
return phone_level_feature.T
|
||||||
|
|
||||||
|
|
||||||
|
def clean_text_inf(text, language):
|
||||||
|
phones, word2ph, norm_text = clean_text(text, language)
|
||||||
|
phones = cleaned_text_to_sequence(phones)
|
||||||
|
return phones, word2ph, norm_text
|
||||||
|
|
||||||
|
|
||||||
|
def get_bert_inf(phones, word2ph, norm_text, language):
|
||||||
|
language = language.replace("all_", "")
|
||||||
|
if language == "zh":
|
||||||
|
bert = get_bert_feature(norm_text, word2ph).to(device) # .to(dtype)
|
||||||
|
else:
|
||||||
|
bert = torch.zeros(
|
||||||
|
(1024, len(phones)),
|
||||||
|
dtype=torch.float16 if is_half == True else torch.float32,
|
||||||
|
).to(device)
|
||||||
|
|
||||||
|
return bert
|
||||||
|
|
||||||
|
|
||||||
|
def get_phones_and_bert(text, language):
|
||||||
|
if language in {"en", "all_zh", "all_ja"}:
|
||||||
|
language = language.replace("all_", "")
|
||||||
|
if language == "en":
|
||||||
|
LangSegment.setfilters(["en"])
|
||||||
|
formattext = " ".join(tmp["text"] for tmp in LangSegment.getTexts(text))
|
||||||
|
else:
|
||||||
|
# 因无法区别中日文汉字,以用户输入为准
|
||||||
|
formattext = text
|
||||||
|
while " " in formattext:
|
||||||
|
formattext = formattext.replace(" ", " ")
|
||||||
|
phones, word2ph, norm_text = clean_text_inf(formattext, language)
|
||||||
|
if language == "zh":
|
||||||
|
bert = get_bert_feature(norm_text, word2ph).to(device)
|
||||||
|
else:
|
||||||
|
bert = torch.zeros(
|
||||||
|
(1024, len(phones)),
|
||||||
|
dtype=torch.float16 if is_half == True else torch.float32,
|
||||||
|
).to(device)
|
||||||
|
elif language in {"zh", "ja", "auto"}:
|
||||||
|
textlist = []
|
||||||
|
langlist = []
|
||||||
|
LangSegment.setfilters(["zh", "ja", "en", "ko"])
|
||||||
|
if language == "auto":
|
||||||
|
for tmp in LangSegment.getTexts(text):
|
||||||
|
if tmp["lang"] == "ko":
|
||||||
|
langlist.append("zh")
|
||||||
|
textlist.append(tmp["text"])
|
||||||
|
else:
|
||||||
|
langlist.append(tmp["lang"])
|
||||||
|
textlist.append(tmp["text"])
|
||||||
|
else:
|
||||||
|
for tmp in LangSegment.getTexts(text):
|
||||||
|
if tmp["lang"] == "en":
|
||||||
|
langlist.append(tmp["lang"])
|
||||||
|
else:
|
||||||
|
# 因无法区别中日文汉字,以用户输入为准
|
||||||
|
langlist.append(language)
|
||||||
|
textlist.append(tmp["text"])
|
||||||
|
# llog.info(textlist)
|
||||||
|
# llog.info(langlist)
|
||||||
|
phones_list = []
|
||||||
|
bert_list = []
|
||||||
|
norm_text_list = []
|
||||||
|
for i in range(len(textlist)):
|
||||||
|
lang = langlist[i]
|
||||||
|
phones, word2ph, norm_text = clean_text_inf(textlist[i], lang)
|
||||||
|
bert = get_bert_inf(phones, word2ph, norm_text, lang)
|
||||||
|
phones_list.append(phones)
|
||||||
|
norm_text_list.append(norm_text)
|
||||||
|
bert_list.append(bert)
|
||||||
|
bert = torch.cat(bert_list, dim=1)
|
||||||
|
phones = sum(phones_list, [])
|
||||||
|
norm_text = ''.join(norm_text_list)
|
||||||
|
|
||||||
|
return phones, bert.to(torch.float16 if is_half == True else torch.float32), norm_text
|
||||||
|
|
||||||
|
|
||||||
|
class DictToAttrRecursive:
|
||||||
|
def __init__(self, input_dict):
|
||||||
|
for key, value in input_dict.items():
|
||||||
|
if isinstance(value, dict):
|
||||||
|
# 如果值是字典，递归调用构造函数
|
||||||
|
setattr(self, key, DictToAttrRecursive(value))
|
||||||
|
else:
|
||||||
|
setattr(self, key, value)
|
||||||
|
|
||||||
|
|
||||||
|
def get_spepc(hps, filename):
|
||||||
|
audio = load_audio(filename, int(hps.data.sampling_rate))
|
||||||
|
audio = torch.FloatTensor(audio)
|
||||||
|
audio_norm = audio
|
||||||
|
audio_norm = audio_norm.unsqueeze(0)
|
||||||
|
spec = spectrogram_torch(audio_norm, hps.data.filter_length, hps.data.sampling_rate, hps.data.hop_length,
|
||||||
|
hps.data.win_length, center=False)
|
||||||
|
return spec
|
||||||
|
|
||||||
|
|
||||||
|
def pack_audio(audio_bytes, data, rate):
|
||||||
|
if media_type == "ogg":
|
||||||
|
audio_bytes = pack_ogg(audio_bytes, data, rate)
|
||||||
|
elif media_type == "aac":
|
||||||
|
audio_bytes = pack_aac(audio_bytes, data, rate)
|
||||||
|
else:
|
||||||
|
# wav无法流式, 先暂存raw
|
||||||
|
audio_bytes = pack_raw(audio_bytes, data, rate)
|
||||||
|
|
||||||
|
return audio_bytes
|
||||||
|
|
||||||
|
|
||||||
|
def pack_ogg(audio_bytes, data, rate):
|
||||||
|
with sf.SoundFile(audio_bytes, mode='w', samplerate=rate, channels=1, format='ogg') as audio_file:
|
||||||
|
audio_file.write(data)
|
||||||
|
|
||||||
|
return audio_bytes
|
||||||
|
|
||||||
|
|
||||||
|
def pack_raw(audio_bytes, data, rate):
|
||||||
|
audio_bytes.write(data.tobytes())
|
||||||
|
|
||||||
|
return audio_bytes
|
||||||
|
|
||||||
|
|
||||||
|
def pack_wav(audio_bytes, rate):
|
||||||
|
data = np.frombuffer(audio_bytes.getvalue(), dtype=np.int16)
|
||||||
|
wav_bytes = BytesIO()
|
||||||
|
sf.write(wav_bytes, data, rate, format='wav')
|
||||||
|
|
||||||
|
return wav_bytes
|
||||||
|
|
||||||
|
|
||||||
|
def pack_aac(audio_bytes, data, rate):
|
||||||
|
process = subprocess.Popen([
|
||||||
|
'ffmpeg',
|
||||||
|
'-f', 's16le', # 输入16位有符号小端整数PCM
|
||||||
|
'-ar', str(rate), # 设置采样率
|
||||||
|
'-ac', '1', # 单声道
|
||||||
|
'-i', 'pipe:0', # 从管道读取输入
|
||||||
|
'-c:a', 'aac', # 音频编码器为AAC
|
||||||
|
'-b:a', '192k', # 比特率
|
||||||
|
'-vn', # 不包含视频
|
||||||
|
'-f', 'adts', # 输出AAC数据流格式
|
||||||
|
'pipe:1' # 将输出写入管道
|
||||||
|
], stdin=subprocess.PIPE, stdout=subprocess.PIPE, stderr=subprocess.PIPE)
|
||||||
|
out, _ = process.communicate(input=data.tobytes())
|
||||||
|
audio_bytes.write(out)
|
||||||
|
|
||||||
|
return audio_bytes
|
||||||
|
|
||||||
|
|
||||||
|
def read_clean_buffer(audio_bytes):
|
||||||
|
audio_chunk = audio_bytes.getvalue()
|
||||||
|
audio_bytes.truncate(0)
|
||||||
|
audio_bytes.seek(0)
|
||||||
|
|
||||||
|
return audio_bytes, audio_chunk
|
||||||
|
|
||||||
|
|
||||||
|
def cut_text(text, punc):
|
||||||
|
punc_list = [p for p in punc if p in {",", ".", ";", "?", "!", "、", "，", "。", "？", "！", "；", "：", "…"}]
|
||||||
|
if len(punc_list) > 0:
|
||||||
|
punds = r"[" + "".join(punc_list) + r"]"
|
||||||
|
text = text.strip("\n")
|
||||||
|
items = re.split(f"({punds})", text)
|
||||||
|
mergeitems = ["".join(group) for group in zip(items[::2], items[1::2])]
|
||||||
|
# 在句子不存在符号或句尾无符号的时候保证文本完整
|
||||||
|
if len(items) % 2 == 1:
|
||||||
|
mergeitems.append(items[-1])
|
||||||
|
text = "\n".join(mergeitems)
|
||||||
|
|
||||||
|
while "\n\n" in text:
|
||||||
|
text = text.replace("\n\n", "\n")
|
||||||
|
|
||||||
|
return text
|
||||||
|
|
||||||
|
|
||||||
|
def only_punc(text):
|
||||||
|
return not any(t.isalnum() or t.isalpha() for t in text)
|
||||||
|
|
||||||
|
|
||||||
|
def get_tts_wav(ref_wav_path, prompt_text, prompt_language, text, text_language):
|
||||||
|
t0 = ttime()
|
||||||
|
prompt_text = prompt_text.strip("\n")
|
||||||
|
prompt_language, text = prompt_language, text.strip("\n")
|
||||||
|
zero_wav = np.zeros(int(hps.data.sampling_rate * 0.3), dtype=np.float16 if is_half == True else np.float32)
|
||||||
|
with torch.no_grad():
|
||||||
|
wav16k, sr = librosa.load(ref_wav_path, sr=16000)
|
||||||
|
wav16k = torch.from_numpy(wav16k)
|
||||||
|
zero_wav_torch = torch.from_numpy(zero_wav)
|
||||||
|
if (is_half == True):
|
||||||
|
wav16k = wav16k.half().to(device)
|
||||||
|
zero_wav_torch = zero_wav_torch.half().to(device)
|
||||||
|
else:
|
||||||
|
wav16k = wav16k.to(device)
|
||||||
|
zero_wav_torch = zero_wav_torch.to(device)
|
||||||
|
wav16k = torch.cat([wav16k, zero_wav_torch])
|
||||||
|
ssl_content = ssl_model.model(wav16k.unsqueeze(0))["last_hidden_state"].transpose(1, 2) # .float()
|
||||||
|
codes = vq_model.extract_latent(ssl_content)
|
||||||
|
prompt_semantic = codes[0, 0]
|
||||||
|
t1 = ttime()
|
||||||
|
prompt_language = dict_language[prompt_language.lower()]
|
||||||
|
text_language = dict_language[text_language.lower()]
|
||||||
|
phones1, bert1, norm_text1 = get_phones_and_bert(prompt_text, prompt_language)
|
||||||
|
texts = text.split("\n")
|
||||||
|
audio_bytes = BytesIO()
|
||||||
|
|
||||||
|
for text in texts:
|
||||||
|
# 简单防止纯符号引发参考音频泄露
|
||||||
|
if only_punc(text):
|
||||||
|
continue
|
||||||
|
|
||||||
|
audio_opt = []
|
||||||
|
phones2, bert2, norm_text2 = get_phones_and_bert(text, text_language)
|
||||||
|
bert = torch.cat([bert1, bert2], 1)
|
||||||
|
|
||||||
|
all_phoneme_ids = torch.LongTensor(phones1 + phones2).to(device).unsqueeze(0)
|
||||||
|
bert = bert.to(device).unsqueeze(0)
|
||||||
|
all_phoneme_len = torch.tensor([all_phoneme_ids.shape[-1]]).to(device)
|
||||||
|
prompt = prompt_semantic.unsqueeze(0).to(device)
|
||||||
|
t2 = ttime()
|
||||||
|
with torch.no_grad():
|
||||||
|
# pred_semantic = t2s_model.model.infer(
|
||||||
|
pred_semantic, idx = t2s_model.model.infer_panel(
|
||||||
|
all_phoneme_ids,
|
||||||
|
all_phoneme_len,
|
||||||
|
prompt,
|
||||||
|
bert,
|
||||||
|
# prompt_phone_len=ph_offset,
|
||||||
|
top_k=config['inference']['top_k'],
|
||||||
|
early_stop_num=hz * max_sec)
|
||||||
|
t3 = ttime()
|
||||||
|
# print(pred_semantic.shape,idx)
|
||||||
|
pred_semantic = pred_semantic[:, -idx:].unsqueeze(0) # .unsqueeze(0)#mq要多unsqueeze一次
|
||||||
|
refer = get_spepc(hps, ref_wav_path) # .to(device)
|
||||||
|
if (is_half == True):
|
||||||
|
refer = refer.half().to(device)
|
||||||
|
else:
|
||||||
|
refer = refer.to(device)
|
||||||
|
# audio = vq_model.decode(pred_semantic, all_phoneme_ids, refer).detach().cpu().numpy()[0, 0]
|
||||||
|
audio = \
|
||||||
|
vq_model.decode(pred_semantic, torch.LongTensor(phones2).to(device).unsqueeze(0),
|
||||||
|
refer).detach().cpu().numpy()[
|
||||||
|
0, 0] ###试试重建不带上prompt部分
|
||||||
|
audio_opt.append(audio)
|
||||||
|
audio_opt.append(zero_wav)
|
||||||
|
t4 = ttime()
|
||||||
|
audio_bytes = pack_audio(audio_bytes, (np.concatenate(audio_opt, 0) * 32768).astype(np.int16),
|
||||||
|
hps.data.sampling_rate)
|
||||||
|
# llog.info("%.3f\t%.3f\t%.3f\t%.3f" % (t1 - t0, t2 - t1, t3 - t2, t4 - t3))
|
||||||
|
if stream_mode == "normal":
|
||||||
|
audio_bytes, audio_chunk = read_clean_buffer(audio_bytes)
|
||||||
|
yield audio_chunk
|
||||||
|
|
||||||
|
if not stream_mode == "normal":
|
||||||
|
if media_type == "wav":
|
||||||
|
audio_bytes = pack_wav(audio_bytes, hps.data.sampling_rate)
|
||||||
|
yield audio_bytes.getvalue()
|
||||||
|
|
||||||
|
|
||||||
|
def handle_control(command):
|
||||||
|
if command == "restart":
|
||||||
|
os.execl(g_config.python_exec, g_config.python_exec, *sys.argv)
|
||||||
|
elif command == "exit":
|
||||||
|
os.kill(os.getpid(), signal.SIGTERM)
|
||||||
|
exit(0)
|
||||||
|
|
||||||
|
|
||||||
|
def handle_change(path, text, language):
|
||||||
|
if is_empty(path, text, language):
|
||||||
|
return JSONResponse({"code": 400, "message": '缺少任意一项以下参数: "path", "text", "language"'}, status_code=400)
|
||||||
|
|
||||||
|
if path != "" or path is not None:
|
||||||
|
default_refer.path = path
|
||||||
|
if text != "" or text is not None:
|
||||||
|
default_refer.text = text
|
||||||
|
if language != "" or language is not None:
|
||||||
|
default_refer.language = language
|
||||||
|
|
||||||
|
llog.info(f"当前默认参考音频路径: {default_refer.path}")
|
||||||
|
llog.info(f"当前默认参考音频文本: {default_refer.text}")
|
||||||
|
llog.info(f"当前默认参考音频语种: {default_refer.language}")
|
||||||
|
llog.info(f"is_ready: {default_refer.is_ready()}")
|
||||||
|
|
||||||
|
return JSONResponse({"code": 0, "message": "Success"}, status_code=200)
|
||||||
|
|
||||||
|
|
||||||
|
def handle(refer_wav_path, prompt_text, prompt_language, text, text_language, cut_punc):
|
||||||
|
if (
|
||||||
|
refer_wav_path == "" or refer_wav_path is None
|
||||||
|
or prompt_text == "" or prompt_text is None
|
||||||
|
or prompt_language == "" or prompt_language is None
|
||||||
|
):
|
||||||
|
refer_wav_path, prompt_text, prompt_language = (
|
||||||
|
default_refer.path,
|
||||||
|
default_refer.text,
|
||||||
|
default_refer.language,
|
||||||
|
)
|
||||||
|
if not default_refer.is_ready():
|
||||||
|
return JSONResponse({"code": 400, "message": "未指定参考音频且接口无预设"}, status_code=400)
|
||||||
|
|
||||||
|
if cut_punc == None:
|
||||||
|
text = cut_text(text, default_cut_punc)
|
||||||
|
else:
|
||||||
|
text = cut_text(text, cut_punc)
|
||||||
|
|
||||||
|
return StreamingResponse(get_tts_wav(refer_wav_path, prompt_text, prompt_language, text, text_language),
|
||||||
|
media_type="audio/" + media_type)
|
||||||
|
|
||||||
|
|
||||||
|
# --------------------------------
|
||||||
|
# 初始化部分
|
||||||
|
# --------------------------------
|
||||||
|
dict_language = {
|
||||||
|
"中文": "all_zh",
|
||||||
|
"英文": "en",
|
||||||
|
"日文": "all_ja",
|
||||||
|
"中英混合": "zh",
|
||||||
|
"日英混合": "ja",
|
||||||
|
"多语种混合": "auto", # 多语种启动切分识别语种
|
||||||
|
"all_zh": "all_zh",
|
||||||
|
"en": "en",
|
||||||
|
"all_ja": "all_ja",
|
||||||
|
"zh": "zh",
|
||||||
|
"ja": "ja",
|
||||||
|
"auto": "auto",
|
||||||
|
}
|
||||||
|
|
||||||
|
# 获取配置
|
||||||
|
cmd_args = CmdArgs()
|
||||||
|
args = cmd_args.get_args()
|
||||||
|
sovits_path = args.sovits_path
|
||||||
|
gpt_path = args.gpt_path
|
||||||
|
device = args.device
|
||||||
|
|
||||||
|
cnhubert_base_path = args.hubert_path
|
||||||
|
bert_path = args.bert_path
|
||||||
|
default_cut_punc = args.cut_punc
|
||||||
|
|
||||||
|
# 应用参数配置
|
||||||
|
default_refer = DefaultRefer(args.default_refer_path, args.default_refer_text, args.default_refer_language)
|
||||||
|
|
||||||
|
# 模型路径检查
|
||||||
|
if sovits_path == "":
|
||||||
|
sovits_path = g_config.pretrained_sovits_path
|
||||||
|
llog.warn(f"未指定SoVITS模型路径, fallback后当前值: {sovits_path}")
|
||||||
|
if gpt_path == "":
|
||||||
|
gpt_path = g_config.pretrained_gpt_path
|
||||||
|
llog.warn(f"未指定GPT模型路径, fallback后当前值: {gpt_path}")
|
||||||
|
|
||||||
|
# 指定默认参考音频, 调用方 未提供/未给全 参考音频参数时使用
|
||||||
|
if default_refer.path == "" or default_refer.text == "" or default_refer.language == "":
|
||||||
|
default_refer.path, default_refer.text, default_refer.language = "", "", ""
|
||||||
|
llog.info("未指定默认参考音频")
|
||||||
|
else:
|
||||||
|
llog.info(f"默认参考音频路径: {default_refer.path}")
|
||||||
|
llog.info(f"默认参考音频文本: {default_refer.text}")
|
||||||
|
llog.info(f"默认参考音频语种: {default_refer.language}")
|
||||||
|
|
||||||
|
# 获取半精度
|
||||||
|
is_half = g_config.is_half
|
||||||
|
if args.full_precision:
|
||||||
|
is_half = False
|
||||||
|
if args.half_precision:
|
||||||
|
is_half = True
|
||||||
|
if args.full_precision and args.half_precision:
|
||||||
|
is_half = g_config.is_half # 炒饭fallback
|
||||||
|
llog.info(f"半精: {is_half}")
|
||||||
|
|
||||||
|
# 流式返回模式
|
||||||
|
if args.stream_mode.lower() in ["normal", "n"]:
|
||||||
|
stream_mode = "normal"
|
||||||
|
llog.info("流式返回已开启")
|
||||||
|
else:
|
||||||
|
stream_mode = "close"
|
||||||
|
|
||||||
|
# 音频编码格式
|
||||||
|
if args.media_type.lower() in ["aac", "ogg"]:
|
||||||
|
media_type = args.media_type.lower()
|
||||||
|
elif stream_mode == "close":
|
||||||
|
media_type = "wav"
|
||||||
|
else:
|
||||||
|
media_type = "ogg"
|
||||||
|
llog.info(f"编码格式: {media_type}")
|
||||||
|
|
||||||
|
# 初始化模型
|
||||||
|
cnhubert.cnhubert_base_path = cnhubert_base_path
|
||||||
|
tokenizer = AutoTokenizer.from_pretrained(bert_path)
|
||||||
|
bert_model = AutoModelForMaskedLM.from_pretrained(bert_path)
|
||||||
|
ssl_model = cnhubert.get_model()
|
||||||
|
if is_half:
|
||||||
|
bert_model = bert_model.half().to(device)
|
||||||
|
ssl_model = ssl_model.half().to(device)
|
||||||
|
else:
|
||||||
|
bert_model = bert_model.to(device)
|
||||||
|
ssl_model = ssl_model.to(device)
|
||||||
|
change_sovits_weights(sovits_path)
|
||||||
|
change_gpt_weights(gpt_path)
|
||||||
Loading…
x
Reference in New Issue
Block a user