ADD CREPE

[kyakuno]

CNNによるPCMからのピッチ推定 https://github.com/marl/crepe

[kyakuno]

https://blog.hiroshiba.jp/using-crepe/

[kyakuno]

onnx https://github.com/marl/crepe/issues/96

[kyakuno]

https://github.com/yqzhishen/onnxcrepe

[kyakuno]

このコードをworldと比較してみると良さそう。 https://github.com/yqzhishen/onnxcrepe/blob/main/samples/demo.py

[kyakuno]

rvcもcrepeを選択できる。

[kyakuno]

rvcの中にもcrepeが存在する https://github.com/RVC-Project/Retrieval-based-Voice-Conversion-WebUI/blob/main/vc_infer_pipeline.py

[kyakuno]

@ooe1123 RVCのf0にcrapeを選択可能にしたいと考えていまして、RVCに含まれるcrapeをonnxにエクスポートして、RVCのサンプルに追加いただくことは可能でしょうか？

[kyakuno]

目的としては、Unityのf0対応のために、worldを使わないピッチ推定を導入したいと考えています。

[kyakuno]

crepeの推論コード。

        elif f0_method == "crepe":
            model = "full"
            # Pick a batch size that doesn't cause memory errors on your gpu
            batch_size = 512
            # Compute pitch using first gpu
            audio = torch.tensor(np.copy(x))[None].float()
            f0, pd = torchcrepe.predict(
                audio,
                self.sr,
                self.window,
                f0_min,
                f0_max,
                model,
                batch_size=batch_size,
                device=self.device,
                return_periodicity=True,
            )
            pd = torchcrepe.filter.median(pd, 3)
            f0 = torchcrepe.filter.mean(f0, 3)
            f0[pd < 0.1] = 0
            f0 = f0[0].cpu().numpy()

[kyakuno]

preprocessが意外と複雑かもしれない。 https://github.com/maxrmorrison/torchcrepe/blob/master/torchcrepe/core.py

[kyakuno]

preprocessで入力音声波形を16kHzにresample、hop_lengthでフレーム分割、inferでAIモデル推論してprobabilitiesを取得、postprocessでbinからf0値に変換。

[kyakuno]

rvc.pyのinp_f0は常にNone。

[kyakuno]

モデルをアップロード。 https://storage.googleapis.com/ailia-models/rvc/crepe.onnx 入力は[n, 1024]で出力は[m, 360]

[kyakuno]

1024要素につき、一つのfrequencyが出力される。 hop_sizeはsample_rate / 100の単位で計算されるので、10msごとにfrequencyを計算する。

[kyakuno]

paper https://www.eecs.qmul.ac.uk/~simond/pub/2023/RileyDixon-SMC2023.pdf

[kyakuno]

Unityで動かすと想定よりも負荷が高かったので調べてみると、crepeは高音質用の模様。

Pitch extraction algorithm：
（ピッチ抽出アルゴリズム）
crepe
＊高品質の音声を処理するには、やや速度が遅くなりますが、「dio」を選択します。さらに品質向上で処理をしたい場合には、処理が遅くなりますが、「harvest」を選択します。品質を最高にしたい場合にはGPUに負荷がかかりますが「crepe」または「mangio-crepe」を選択します。

https://child-programmer.com/ai-voice-change-tutorial-ddpn/

[kyakuno]

harvestのアルゴリズム http://www.isc.meiji.ac.jp/~mmorise/lab/publication/paper/SP2016-62.pdf

[kyakuno]

pmはparselmouthのto_pitch_acを使用している。 https://github.com/YannickJadoul/Parselmouth https://github.com/YannickJadoul/Parselmouth/blob/85eef4b5245ccadb89cf6cf8f3e16e8662d5da61/praat/fon/Sound_to_Pitch.cpp#L554

[kyakuno]

crepeは2次元入力ではなく3次元入力にしてbatchを1に固定した方が高速な気がする。

[kyakuno]

batchサイズの内側にchannelがあるので3次元入力にしてconv2dにマップするのは難しそう。

[kyakuno]

crepeのargmax、weighted_argmax、viterbiを比較すると、viterbi以外はf値が飛ぶことがあり品質が低く、実際の音もノイズが入る。 f0と同時に出力されるpdは省略すると、無音部分で音が伸びたロボのような音になる。

[kyakuno]

360個の量子化されたf0値（bin）からどのようにf0を復元するかが違う。

argmax

def argmax(logits):
    """Sample observations by taking the argmax"""
    import torch
    bins = torch.from_numpy(logits).argmax(dim=1).numpy()
    print("bins", bins)

    # Convert to frequency in Hz
    return bins, bins_to_frequency(bins)

viterbi

def viterbi(logits):
    """Sample observations using viterbi decoding"""
    # Create viterbi transition matrix
    if not hasattr(viterbi, 'transition'):
        xx, yy = np.meshgrid(range(360), range(360))
        transition = np.maximum(12 - abs(xx - yy), 0)
        transition = transition / transition.sum(axis=1, keepdims=True)
        viterbi.transition = transition

    # Normalize logits
    sequences = softmax(logits, axis=1)

    # Perform viterbi decoding
    bins = np.array([
        librosa.sequence.viterbi(sequence, viterbi.transition).astype(np.int64)
        for sequence in sequences])

    # Convert to frequency in Hz
    return bins, bins_to_frequency(bins)

[kyakuno]

viterbiの場合、360x360のmeshgridを作り、同じbinは12、binの距離が離れるほど減点し、最小で0を付与する。 これを平均化したものを遷移コストとする。 logitsにsoftmaxを適用し、probs = [s,t] = (360, 512)を入力に、librosa.sequence.viterbiで遷移を計算する。 https://librosa.org/doc/main/generated/librosa.sequence.viterbi.html

[kyakuno]

argmaxの計算に遷移コストを付与するイメージ。最終的に最も確率の高い組み合わせからbackwardで経路を決定する。 https://github.com/librosa/librosa/blob/main/librosa/sequence.py

@jit(nopython=True, cache=True)  # type: ignore
def _viterbi(
    log_prob: np.ndarray, log_trans: np.ndarray, log_p_init: np.ndarray
) -> Tuple[np.ndarray, np.ndarray]:  # pragma: no cover
    """Core Viterbi algorithm.

    This is intended for internal use only.

    Parameters
    ----------
    log_prob : np.ndarray [shape=(T, m)]
        ``log_prob[t, s]`` is the conditional log-likelihood
        ``log P[X = X(t) | State(t) = s]``
    log_trans : np.ndarray [shape=(m, m)]
        The log transition matrix
        ``log_trans[i, j] = log P[State(t+1) = j | State(t) = i]``
    log_p_init : np.ndarray [shape=(m,)]
        log of the initial state distribution

    Returns
    -------
    None
        All computations are performed in-place on ``state, value, ptr``.
    """
    n_steps, n_states = log_prob.shape

    state = np.zeros(n_steps, dtype=np.uint16)
    value = np.zeros((n_steps, n_states), dtype=np.float64)
    ptr = np.zeros((n_steps, n_states), dtype=np.uint16)

    # factor in initial state distribution
    value[0] = log_prob[0] + log_p_init

    for t in range(1, n_steps):
        # Want V[t, j] <- p[t, j] * max_k V[t-1, k] * A[k, j]
        #    assume at time t-1 we were in state k
        #    transition k -> j

        # Broadcast over rows:
        #    Tout[k, j] = V[t-1, k] * A[k, j]
        #    then take the max over columns
        # We'll do this in log-space for stability

        trans_out = value[t - 1] + log_trans.T

        # Unroll the max/argmax loop to enable numba support
        for j in range(n_states):
            ptr[t, j] = np.argmax(trans_out[j])
            # value[t, j] = log_prob[t, j] + np.max(trans_out[j])
            value[t, j] = log_prob[t, j] + trans_out[j, ptr[t][j]]

    # Now roll backward

    # Get the last state
    state[-1] = np.argmax(value[-1])

    for t in range(n_steps - 2, -1, -1):
        state[t] = ptr[t + 1, state[t + 1]]

    logp = value[-1:, state[-1]]

    return state, logp

[kyakuno]

p_initの初期値。

        p_init = np.empty(n_states)
        p_init.fill(1.0 / n_states)

[kyakuno]

pdにはconfidence値が入る。 confidenceが0.1以下の場合にf0を0にする。

[kyakuno]

RVCにマージしました。