Upload 5 files

README.md

@@ -4,7 +4,7 @@ emoji: 🕊
 colorFrom: red
 colorTo: pink
 sdk: gradio
-sdk_version: 3.12.0
+sdk_version: 3.16.1
 app_file: app.py
 pinned: false
 ---

app.py

@@ -35,51 +35,61 @@ def vc_fn(input_audio, vc_transform):
 app = gr.Blocks()
 with app:
     with gr.Tabs():
-        with gr.TabItem("歌声音色转换"):
+        with gr.TabItem("SUI-svc-3.0"):
             gr.Markdown(value="""
-                # 强烈建议☝️先看一遍使用说明
+                # 这是AI岁己变声器的在线demo
 
-                ## 这是 sovits 3.0 48kHz AI岁己歌声音色转换的在线demo
+                ### 项目：[sovits 3.0 48kHz](https://github.com/innnky/so-vits-svc/tree/main) | 目前模型训练状态：1000000steps底模 + 111000steps
 
-                ### 目前模型训练状态：1000000steps底模 + 111000steps
+                ||
+                |-|
+                ||
 
-                ### 推理出来有概率会给吸气音上电，需要后期小修一下，大概可能也许是因为炼太久糊了
+                ## 一些注意事项❗❕❗❕：
 
-                ### 仓库内模型所用于训练的数据：
+                #### 输入的音频一定要是纯净的干音，不要把歌曲直接扔进来
 
-                | G_1000000.pth | G_1M111000_sing.pth（现任） | G_1M100000_sing.pth（待产） | G_1M100000_sing1.pth（待产） |
-                | :----: | :----: | :----: | :----: |
-                | 12月录播（除电台）、出道至今22条歌投、10条歌切、圣诞音声（27.5小时） | G_1000000.pth作为底模_2022年所有唱歌投稿、唱歌切片、圣诞音声（3.9小时） | G_1000000.pth作为底模_（使用效果更好的UVR5模型去除BGM）出道至今所有唱歌投稿、唱歌切片、圣诞音声 | 先用1月录播（除电台）训练一个底模，再用出道至今所有唱歌投稿、唱歌切片、圣诞音声进行训练 |
+                #### 和声和混响也不能有，UVR分离出人声之后需要注意一下
 
-                ### 仓库内G.pth、D.pth都有，欢迎作为底模用于进一步训练，如果要训练自己的数据请访问：[项目Github仓库](https://github.com/innnky/so-vits-svc/tree/main)、[教程《svc相关》](https://www.yuque.com/jiuwei-nui3d/qng6eg)（想进里面那个群求助的话建议先把QQ资料性别改成女然后头像该换的换）
+                #### 对陈述语气没多大作用，实在没干音库的话，你可以自己唱然后升十几个调慢慢试效果
 
-                ### 建议参考上方“使用说明”下的教程，在本地使用 inference_main.py 处理，我都写成这样了再小白应该都能搞定（不怕麻烦的话）
+                #### 推理出来有概率会给吸气音上电，需要后期小修一下，大概可能也许是因为炼太久糊了
 
-                ### 本地推理可调用GPU(NVIDIA)，3060Ti 8G可推理一条20(建议) - 30s的音频，过长音频可分割后批量处理，就算用CPU推理也比 Hugging Face 快不少
+                ||
+                |-|
+                ||
+
+                Todo:
+
+                1. 导出onnx
+
+                2. 本地一键包
 
-                ### 有空可能会折腾一下导出onnx，抛弃这堆较为臃肿的Python依赖
+                3. TTS，vits 或 emotional-vits
             """)
             vc_input3 = gr.Audio(label="输入音频（长度请控制在30s左右，过长可能会爆内存）")
             vc_transform = gr.Number(label="变调（整数，可以正负，半音数量，升高八度就是12）", value=0)
             vc_submit = gr.Button("转换", variant="primary")
             vc_output2 = gr.Audio(label="输出音频（最右侧三个点可以下载）")
         vc_submit.click(vc_fn, [vc_input3, vc_transform], [vc_output2])
-        with gr.TabItem("亿点点使用说明➕保姆级本地部署教程"):
+        with gr.TabItem("仓库说明➕保姆级本地部署教程"):
             gr.Markdown(value="""
-                # 强烈建议👇先看一遍使用说明
+                ## 仓库内模型所用于训练的数据：
 
-                ### 输入的音频一定要是纯净的干音，不要把歌曲直接扔进来
+                |模型|G_1000000.pth|G_1M111000_sing.pth（现任）|G_1M100000_sing.pth（待产）| G_1M100000_sing1.pth（待产）|
+                |-:|:-:|:-:|:-:|:-:|
+                |训练集|12月录播（除电台）、出道至今22条歌投、10条歌切、圣诞音声（27.5小时）|G_1000000.pth作为底模_2022年所有唱歌投稿、唱歌切片、圣诞音声（3.9小时）|G_1000000.pth作为底模_（使用效果更好的UVR5模型去除BGM）出道至今所有唱歌投稿、唱歌切片、圣诞音声|先用1月录播（除电台）训练一个底模，再用出道至今所有唱歌投稿、唱歌切片、圣诞音声进行训练|
 
-                ### 混响和和声也不能有，UVR分离出人声之后需要注意一下
+                #### 仓库内G.pth、D.pth都有，欢迎作为底模用于进一步训练
 
-                ### 对陈述语气没多大作用，实在没干音库的话，你可以自己唱然后升十几个调慢慢试效果
+                #### 如果要训练自己的数据请访问：[项目Github仓库](https://github.com/innnky/so-vits-svc/tree/main)、[教程《svc相关》](https://www.yuque.com/jiuwei-nui3d/qng6eg)（里面的群小白慎入）
 
-                ### 数据集几乎全是杂谈的G_1000000.pth：长音不稳，音域不宽，选曲限制较大，可以多试试变调，没什么必要去用
-
-                ### 现任的G_1M111000_sing.pth：有概率会给吸气音上电，需要后期小修一下
+                ### 本地推理可调用GPU(NVIDIA)，3060Ti 8G可推理一条20(建议) - 30s的音频，过长音频可分割后批量处理，就算用CPU推理也比 Hugging Face 快不少
 
                 # 在本地部署并使用 inference_main.py 处理的保姆级教程：
 
+                #### 我都写成这样了再小白应该都能搞定（不怕麻烦的话）
+
                 ### 0. 创建一个存放文件的目录，例如 D:\\SUI\\
 
                 ### 1. 安装所需的软件
@@ -88,6 +98,8 @@ with app:
 
                 2. [git](https://git-scm.com/download/win)（建议使用便携版）[点这里可以直接下载(便携版v2.39.0.2)](https://github.com/git-for-windows/git/releases/download/v2.39.0.windows.2/PortableGit-2.39.0.2-64-bit.7z.exe)，路径填 D:\\SUI\\git\\
 
+                3. [Visual Studio 生成工具](https://visualstudio.microsoft.com/zh-hans/)[点这里可以直接下载](https://c2rsetup.officeapps.live.com/c2r/downloadVS.aspx?sku=community&channel=Release&version=VS2022)，左边勾选“使用 C++ 的桌面开发”，右边只需以下四个，"MSVC v143 - VS 2022 C++......"、"适用于最新 v143 生成工具的 C++ ATL......"、"Windows 11 SDK......"、"用于 Windows 的 C++ CMake......"，用于编译pyworld，流程走完后可卸载
+
                 ### 2. 在开始菜单中运行 Anaconda Powershell Prompt 并配置环境（除了工作目录，复制粘贴回车即可）
 
                 ```
@@ -135,21 +147,23 @@ with app:
                 conda activate sovits
                 ```
 
-                2. 如果想要像本demo一样用网页的GUI处理，这条之后的可以跳过了
+                2. 如果想要像这个demo一样用网页的GUI处理，这条之后的可以跳过了
 
                 ```
                 python app.py
-                # 运行完成后日志会输出应用所在的端口，默认7860（不排除该端口被占用后程序选择了其他端口），则浏览器访问 127.0.0.1:7860
+                # 运行完成后日志会输出应用所在的端口，默认7860，则浏览器访问 127.0.0.1:7860
+                # 不排除该端口被占用后程序选择了其他端口
                 ```
 
                 3. 在 SUI-svc-3.0\\raw\\ 文件夹中放入需要转换的音频（wav格式），8G显存的情况下建议每条音频的长度控制在20(建议) - 30s（不包括无声部分），过长会爆显存导致处理时间超级加倍甚至直接报错
 
                 4. 编辑 SUI-svc-3.0\\inference_main.py 的第23行（可参考第24行注释的格式），以及26行的变调，修改完保存时注意编码应为 UTF-8
 
-                5. 在终端中运行 inference_main.py 开始推理，音频将输出至 SUI-svc-3.0\\results\\ 文件夹
+                5. 在终端中运行 inference_main.py 开始推理
 
                 ```
                 python inference_main.py
+                # 音频将输出至 SUI-svc-3.0\\results\\ 文件夹
                 ```
             """)
     app.launch()

requirements.txt

@@ -1,16 +1,16 @@
-numpy
-playsound
-pydub
-pyworld
-requests
-scipy
-sounddevice
-SoundFile
-starlette
-tqdm
-scikit-maad
-praat-parselmouth
-librosa
-torch
-torchaudio
-torchvision
+librosa==0.9.2
+numpy==1.23.5
+playsound==1.3.0
+pydub==0.25.1
+pyworld==0.3.2
+requests==2.28.1
+scipy==1.10.0
+sounddevice==0.4.5
+soundfile==0.11.0
+starlette==0.22.0
+tqdm==4.64.1
+praat-parselmouth==0.4.3
+scikit-maad==1.3.12
+torch==1.12.1
+torchaudio==0.12.1
+torchvision==0.13.1

requirements_cpu.txt

@@ -1,19 +1,19 @@
-numpy
-playsound
-pydub
-pyworld
-requests
-scipy
-sounddevice
-SoundFile
-starlette
-tqdm
-scikit-maad
-praat-parselmouth
-librosa
-Flask
-Flask_Cors
-gradio
-torch
-torchaudio
-torchvision
+librosa==0.9.2
+numpy==1.23.5
+playsound==1.3.0
+pydub==0.25.1
+pyworld==0.3.2
+requests==2.28.1
+scipy==1.10.0
+sounddevice==0.4.5
+soundfile==0.11.0
+starlette==0.22.0
+tqdm==4.64.1
+praat-parselmouth==0.4.3
+scikit-maad==1.3.12
+Flask==2.2.2
+Flask_Cors==3.0.10
+gradio==3.16.1
+torch==1.12.1
+torchaudio==0.12.1
+torchvision==0.13.1

requirements_gpu.txt

@@ -1,16 +1,16 @@
-numpy
-playsound
-pydub
-pyworld
-requests
-scipy
-sounddevice
-SoundFile
-starlette
-tqdm
-scikit-maad
-praat-parselmouth
-librosa
-Flask
-Flask_Cors
-gradio
+librosa==0.9.2
+numpy==1.23.5
+playsound==1.3.0
+pydub==0.25.1
+pyworld==0.3.2
+requests==2.28.1
+scipy==1.10.0
+sounddevice==0.4.5
+soundfile==0.11.0
+starlette==0.22.0
+tqdm==4.64.1
+praat-parselmouth==0.4.3
+scikit-maad==1.3.12
+Flask==2.2.2
+Flask_Cors==3.0.10
+gradio==3.16.1