前期录制#

内容很简单，就是我找各种中文念出来，语速平缓，吐字清晰

总共大概半个小时

匹配响度#

这里选择Au，按照DiffSinger的官方教程来

降噪#

去你妈的Au和什么RX9，我单方面宣布UVR是最强的降噪工具

试了一圈，UVR太强了只能说

Kim_Vocal模型，Vocal Only，直接输出，降噪出来不仅安静人声几乎无失真，真的比Au强太多了

切片#

按照上面下来就用自动切片机切就好了

标注#

你以为我会手动标注吗？

不可能，我们是懒狗炼丹师，所以我选择了阿里巴巴达摩院的Paraformer项目进行自动标注

一开始其实用的OpenAi的whisper，但那个对于中文的准确性远远不如Paraformer

也能理解，毕竟Whisper兼顾多种语言，Paraformer则是专精于中文和少量的英语

之前用的venv，这次为了随时调用，我选择anaconda

Conda安装教程不多说了，这里说配环境：

首先我们要给funasr创建一个环境：

1
    conda create -n funasr python=3.7

然后激活环境：

1
    conda activate funasr

于是就可以安装了：

1
    pip install funasr

你也可以

1
    git clone [https://github.com/alibaba/FunASR.git](https://github.com/alibaba/FunASR.git) && cd FunASR

1
    pip install --editable ./

前提是你的电脑里有git

为了调用模型我们需要 Model Scope

1
    pip install "modelscope[audio_asr]" --upgrade -f https://modelscope.oss-cn-beijing.aliyuncs.com/releases/repo.html

这里两步如果报错了大概是需要安装Visual Studio

你需要在Visual Studio Installer中安装“使用C++的桌面开发”并确保安装详细信息的两项勾选：MSVC生成工具、Windows SDK

完事安装Torch，可以是CPU也可以是GPU版本

由于Python版本问题，我们只能装11.6的版本

1
    conda install pytorch torchvision torchaudio pytorch-cuda=11.6 -c pytorch -c nvidia

（这里是GPU版本）

然后我们调用一下官方Demo：

1
    from modelscope.pipelines import pipeline
2
    from modelscope.utils.constant import Tasks
3

4
    inference_pipeline = pipeline(
5
        task=Tasks.auto_speech_recognition,
6
        model='damo/speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8404-pytorch')
7

8
    rec_result = inference_pipeline(audio_in='你自己的音频.wav')
9
    print(rec_result)

效果还是可以的，中英语混合而且准确度很高

我们引用os和pypinyin批量处理并把它们转成对应的拼音保存在.lab里

1
    import os
2
    from modelscope.pipelines import pipeline
3
    from modelscope.utils.constant import Tasks
4
    from pypinyin import lazy_pinyin
5

6

7
    inference_pipeline = pipeline(
8
        task=Tasks.auto_speech_recognition,
9
        model='damo/speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8404-pytorch')
10
    raw_path = r"源wav的地址"
11
    list = os.listdir(raw_path)
12
    OUTPUT_PATH = r".lab输出地址"
13
    print(list)
14

15

16
    for i in list:
17
        path = raw_path + "\\" + i
18
        rec_result = inference_pipeline(path)
19
        print(rec_result)
20
        pinyin = lazy_pinyin(rec_result['text'])
21
        print(pinyin)
22
        str = ' '.join(pinyin)
23
        no_prefix = i.split(".")[0]
24
        lab = OUTPUT_PATH + "\\" + no_prefix
25
        with open(lab + '.lab','w') as f:
26
            f.write(str)

别骂了别骂了我知道我的代码跟屎一样能用就可以了

用MinLable查看一下是否正确，核对一下

完事之后就用项目里的notebook一路下一步就好了

最后他会输出训练的命令，在你项目的根目录运行就好了

最后我练了3天，22w步

您猜怎么的？翻车了

出来我本人的声音是电的，电流声非常明显，处于完全不可用的状态

看来还是得要干声数据，下次写

咕咕