支持 SSML 的 duration 属性

ZhangTianrong commented 11 months ago

运行环境

操作系统 (Linux/macOS/Windows)：Linux
部署方式 (Docker/windows快速部署包/自己搭的环境)：自己搭的环境
Python 版本 (如果是部署包可不填)：3.10
代码版本/部署包版本: 95f4295

问题描述

能否支持 SSML 的 duration attribute? 像是字幕之类的文件翻译成 SSML 后会带有 duration, 并只依靠 duration 和 break 来完成时间上的对齐。生成完一句话之后才能测量时长并修改 break 的时间重新对其。

问题复现步骤

N/A

Artrajz commented 11 months ago

个人对这个功能还是比较感兴趣的，但是最近比较忙，新功能需要等到大概12月底才有空写，而且用duration来控制语音合成出来的长度我目前也不知道如何实现，得等之后再去研究了。

如果有人有思路的话也可以提供下，非常感谢~

ZhangTianrong commented 11 months ago

个人对这个功能还是比较感兴趣的，但是最近比较忙，新功能需要等到大概12月底才有空写，而且用duration来控制语音合成出来的长度我目前也不知道如何实现，得等之后再去研究了。

如果有人有思路的话也可以提供下，非常感谢~

我设想的其实比较简单，只是单纯为了对齐每句话的起始位置，用来给有翻译的音声配一个 shadow 的翻译，免得一个闭目用的东西非得睁着眼睛看字幕（有点像许多播放器的 text to speech 功能，但是语音生硬，音量还不好调整），所以并不考虑改动每句话的语速来完全 match duration (毕竟 SRT 转 SSML 其实 duration 也并不准确，话说完了字幕并不会清空），只是给每个带有 duration attribute 的 voice element 后补一个 time 为 -1 的 break element, 每次遇到这种 break 时通过上一个 voice 的 duration 和 audio 的长度确定当前 break 长度，如果是负的就暂时直接把上一个 audio 尾部多出来的部分删除。不过如果要边生成变 trial and error length 似乎也没有多困难，在 duration 外设置一个 tolerance, 控制最长和最短时长，然后继续通过 -1 break 元素对齐时间（我是有这个需求才开始了解 VITS 的，可能有其他可以调的方式活着需要注意的参数，只是我不知道）。其实我这个需求最好直接生成每个句子的起始锚点，然后新增的 audio 直接插入对应位置就好了，但是考虑到 SSML 好像是一个比较通行的表达方式，而它似乎用的是 duration 所以才打算还是绕一下路来实现，设置左 tolerance 为 0 倍 duration, 右 tolerance 为 1 倍即可。

Edit: 简单在这里尝试修改一下，测试还有点问题，有空我再看看。

Edit: 结果发现好像没什么问题，只是单纯 test_api.py 中的 "蓊蓊" 两个字是 <UNK> 然后无法 handle 了……我以为这个 test 本来肯定是可以过的啊。

Edit: 目前的效果就是每个 <voice> 元素可以有 duration, duration_min, duration_max 3 个 attribute：

duration 就是这句话持续的时间，值和 <break> 的 time 格式一致，不论生成的语音长度为多少，最后都会通过停顿补足到 duration 的长度
duration_min(>=0, 默认为 0), duration_max(<=1, 默认为 1) 是允许生成的音频的最短和最长时间和 duration 的比例，生成时会以 10% 的步长调节原始 length 以保证最终音频不长于 duration_max × duration, 也不短于 duration_min × duration

当 <voice> 元素本身就含有 <break> 时，只能所有部分共用上述 attributes, 如果总长度超过了 duration, 将会直接从末尾截断。如果一定要用这种格式，那只能人为给这句话分配一个较小的 duration_max, 比如分了 3 段，然后给一个 0.33 之类的 duration_max.

暂时用上去好像没啥问题，我有空再完善一下，比如重试多少次无法达成要求的持续时间区间就退出啊之类的，然后看看能不能 PR 吧。

Artrajz / vits-simple-api