search

Plachtaa / VITS-fast-fine-tuning

This repo is a pipeline of VITS finetuning for fast speaker adaptation TTS, and many-to-many voice conversion
Apache License 2.0
4.7k stars 704 forks source link

中文底模（C）的训练数据 #419

Open treya-lin opened 1 year ago

treya-lin commented 1 year ago

Hi 你好

请问中文底模的使用的训练数据，从configs 可以看到是187个说话人，其它信息可以分享一下吗？如：数据集来源、总时长、总条数、平均条数 之类的。我想对训一个底模的数据量要求有个概念。另外，多语混合（CJ, CJE）模型的训练数据里，每个语种的这些信息分布，可以介绍一下吗？

另外，底模训练前你们有对数据做什么预处理吗，比如降噪、静音段修剪、文本的归一化等。

ps：我有看到文档说训练数据是一些游戏的原声是吗？请问是有哪个数据集集合了这些游戏原声数据吗？还是其实是多个分散的数据集？（我只在网上找到比如https://github.com/w4123/GenshinVoice 这样的原神数据。或许如果您有一些更具体的数据集链接可以分享看看吗）

非常感谢！

AnyaCoder commented 1 year ago

听说C模型最好，CJ次之，CJE表现相对最次，我用的CJE训练了200epochs，效果还可以。也许使用了大量的中文进行基座训练，少许jp，en语言作为辅助语料（音节变换比较少，数据可以很少），大概6:2:2