克隆你的声音,可能只需要5秒钟:MockingBird实现AI拟声0. 引老铁们好,今天Howie介绍一个AI语音克隆算法项目MockingBird,号称仅需要你的一段声音,仅需5秒钟,就可以根据任意文字,克隆出你新的声音,听起来,就像你在说这段文字一样?。还让人真假难辨? 那岂不是, 一个骗子不看话术,改看兵法了?
(注:因为CSDN blog不支持上传语音内容,有兴趣听AI拟音语音的小伙伴,请关注微信公众号同名文章: https://mp.weixin.qq.com/s/AHvdj88kHbjitL8UuvCehg)
这不是演习,无论微信语音/电话,还是视频中的声音,只要骗子得到了你的一段声音;就可以通过AI算法,学习并模拟你的声音,然后合成任意一段话术,比如“借钱”,转发给你的亲友,实施诈骗。。
切入正题,下面我们来真正实践下AI拟声项目,来看看上面的情况是否属实?。。 1. 背景继“AI换脸”,“眼见不实” 刷屏之后,AI换声/拟声技术也受到大量关注。 AI换声/拟声技术,是指利用AI模型学习声音特征,比如(一个人的声音音色,音调,语速)等特征,通过语音合成技术,重新生成新的声音。
MockingBird是基于Github项目: Real-Time-Voice-Cloning 修改的中文语音支持版本,号称能在5秒内克隆语音以实时生成任意语音,地址 项目实现的核心论文是基于:SV2TTS (Transfer Learning from Speaker Verification to Multispeaker Text-To-Speech Synthesis) 论文地址:https:///pdf/1806.04558.pdf 实现上主要分为三个模块(三个单独的pt模型):
Encoder 会提取的输入声音的音色向量,是确保输出声音相似度的关键所在
Encoder模块提取的说话人音色向量,会作为speaker embedding,融合入Synthesizer Encoder的输出结果(concat),然后基于Attention,将目标文本转换成mel-spectrogram
最终通过Vocoder模块将mel-spectrogram转换成声音的waveform,播放出来。 总结来说,整个算法模块通过Encoder获取说话声音的音色(输入语音),然后使用Synthesizer和Vocoder根据输入文字实现TTS(text-to-speech)合成语音(输出语音) 该项目的Reference如下: 2. 环境搭建开始搭建运行环境,建议使用Anaconda,可参加之前博文:最新Anaconda3的安装配置及使用教程(详细过程) 2.1 安装pytorch这里我直接pip安装的CPU版本
如果有GPU可以安装CUDA版: torch安装完成: 2.2 安装ffmpeg打开ffmpeg org 官网,https:///download.html#get-packages 选择相应平台即可下载l 下载后,把bin 目录放到系统环境变量中
cmd查看下,ffmpeg安装完成:
2.3 下载MockingBird源码直接git clone即可
2.4 安装requirements进入源码目录,安装requirements
然后安装webrtcvad
2.5. 下载预训练模型在synthesizer目录下创建一个saved_models文件夹,下载预训练模型后放入到该目录中即可 https://github.com/babysor/MockingBird 下载时在Github上找最新的版本即可: 这里我下载了4个 synthesizer model: 同时也检查下encoder 和vocoder 的saved_models目录是否有pt模型,如果没有需要检查代码版本 3. 运行MockingBrid3.1 运行Web版
运行时如果 synthesizer model是0,则检测下上一步下载的model路径 会在localhost 8080启动服务: 但web版本功能使用上不太方便,还是推荐使用下面的toolbox 3.2 运行Toolbox版先直接运行demo_toolbox.py
启动后GUI是这样的 使用说明: 如果有数据集可以运行:
4. 录音->合成语音如果有录音wav文件,可以点击Browse打开本地录音,如果没有可以点击Recording当场录制(会录制5秒电脑音频)
注意选择相应的model: 等待一段时间,进度条和log可以显示进度,完成后即可输出结果并自动播放合成的声音: 输入和输出的音频都可以在下拉框选择,而且可以点击replay、export进行播放、导出生成的语音 合成过程可以看到log: 5. 效果优化如果输出的声音效果不好,比如电音严重,可以尝试下面方式优化
通过查看mel spectrogram梅尔频谱图,就可有看到语音合成的效果: 好的频谱图纹理清晰,间隔分明(和真实语音匹配度高),例如下面就是好的频谱图 而差的频谱图就相反,例如: **小技巧:**在使用中,可以先使用Synthesize ,查看梅尔图,如果效果好,再进行Vocode 如果想自己找数据集使用train.py训练,可以参考: 支持的数据集有:
调优技巧可参考:https://zhuanlan.zhihu.com/p/425692267 6. 结论:
在不重新训练Model的情况下,直接运用MockingBird算法,只依靠十几秒左右的录音,虽然可以合成比较“相似”的声音,但听起来和原音还是有所区别,熟悉的人还是能够很快听出来。
我听起来合成的就是一个正常人的声音,感觉起码比那些骚扰电话的AI机器声音 要好很多
普通话不好的(像我这种),在制作视频/语音讲解的时候,可以考虑使用这个生成语音解说,比自己录的效果要好。。
但这样的训练/调参/声音数据处理,就不是简单就可以实现的了,而且MockingBird作者使用的aidatatang_200zh、magicdata、aishell3数据集,是目前最大的三个开源中文语音训练数据集,目前来看也比较全面了 所以简单操作,还是骗不过亲人们的
博主热门文章推荐:一篇读懂系列: LoRa Mesh系列: 网络安全系列:
嵌入式开发系列:
AI / 机器学习系列:
|
|
来自: 星光闪亮图书馆 > 《机器学习与人工智能》