2023-07-26 08:39:18 +02:00
|
|
|
|
## Q1:ffmpeg error/utf8 error.
|
|
|
|
|
|
|
|
|
|
|
|
大概率不是ffmpeg问题，而是音频路径问题；<br>
|
|
|
|
|
|
ffmpeg读取路径带空格、()等特殊符号，可能出现ffmpeg error；训练集音频带中文路径，在写入filelist.txt的时候可能出现utf8 error；<br>
|
|
|
|
|
|
|
|
|
|
|
|
## Q2:一键训练结束没有索引
|
|
|
|
|
|
|
|
|
|
|
|
显示"Training is done. The program is closed."则模型训练成功，后续紧邻的报错是假的；<br>
|
|
|
|
|
|
|
|
|
|
|
|
一键训练结束完成没有added开头的索引文件，可能是因为训练集太大卡住了添加索引的步骤；已通过批处理add索引解决内存add索引对内存需求过大的问题。临时可尝试再次点击"训练索引"按钮。<br>
|
|
|
|
|
|
|
|
|
|
|
|
## Q3:训练结束推理没看到训练集的音色
|
|
|
|
|
|
点刷新音色再看看，如果还没有看看训练有没有报错，控制台和webui的截图，logs/实验名下的log，都可以发给开发者看看。<br>
|
|
|
|
|
|
|
|
|
|
|
|
## Q4:如何分享模型
|
|
|
|
|
|
rvc_root/logs/实验名 下面存储的pth不是用来分享模型用来推理的，而是为了存储实验状态供复现，以及继续训练用的。用来分享的模型应该是weights文件夹下大小为60+MB的pth文件；<br>
|
|
|
|
|
|
后续将把weights/exp_name.pth和logs/exp_name/added_xxx.index合并打包成weights/exp_name.zip省去填写index的步骤，那么zip文件用来分享，不要分享pth文件，除非是想换机器继续训练；<br>
|
|
|
|
|
|
如果你把logs文件夹下的几百MB的pth文件复制/分享到weights文件夹下强行用于推理，可能会出现f0，tgt_sr等各种key不存在的报错。你需要用ckpt选项卡最下面，手工或自动（本地logs下如果能找到相关信息则会自动）选择是否携带音高、目标音频采样率的选项后进行ckpt小模型提取（输入路径填G开头的那个），提取完在weights文件夹下会出现60+MB的pth文件，刷新音色后可以选择使用。<br>
|
|
|
|
|
|
|
|
|
|
|
|
## Q5:Connection Error.
|
|
|
|
|
|
也许你关闭了控制台（黑色窗口）。<br>
|
|
|
|
|
|
|
|
|
|
|
|
## Q6:WebUI弹出Expecting value: line 1 column 1 (char 0).
|
|
|
|
|
|
请关闭系统局域网代理/全局代理。<br>
|
|
|
|
|
|
|
|
|
|
|
|
这个不仅是客户端的代理，也包括服务端的代理（例如你使用autodl设置了http_proxy和https_proxy学术加速，使用时也需要unset关掉）<br>
|
|
|
|
|
|
|
|
|
|
|
|
## Q7:不用WebUI如何通过命令训练推理
|
|
|
|
|
|
训练脚本：<br>
|
|
|
|
|
|
可先跑通WebUI，消息窗内会显示数据集处理和训练用命令行；<br>
|
|
|
|
|
|
|
|
|
|
|
|
推理脚本：<br>
|
|
|
|
|
|
https://huggingface.co/lj1995/VoiceConversionWebUI/blob/main/myinfer.py<br>
|
|
|
|
|
|
|
|
|
|
|
|
例子：<br>
|
|
|
|
|
|
|
|
|
|
|
|
runtime\python.exe myinfer.py 0 "E:\codes\py39\RVC-beta\todo-songs\1111.wav" "E:\codes\py39\logs\mi-test\added_IVF677_Flat_nprobe_7.index" harvest "test.wav" "weights/mi-test.pth" 0.6 cuda:0 True<br>
|
|
|
|
|
|
|
|
|
|
|
|
f0up_key=sys.argv[1]<br>
|
|
|
|
|
|
input_path=sys.argv[2]<br>
|
|
|
|
|
|
index_path=sys.argv[3]<br>
|
|
|
|
|
|
f0method=sys.argv[4]#harvest or pm<br>
|
|
|
|
|
|
opt_path=sys.argv[5]<br>
|
|
|
|
|
|
model_path=sys.argv[6]<br>
|
|
|
|
|
|
index_rate=float(sys.argv[7])<br>
|
|
|
|
|
|
device=sys.argv[8]<br>
|
|
|
|
|
|
is_half=bool(sys.argv[9])<br>
|
|
|
|
|
|
|
|
|
|
|
|
## Q8:Cuda error/Cuda out of memory.
|
|
|
|
|
|
小概率是cuda配置问题、设备不支持；大概率是显存不够（out of memory）；<br>
|
|
|
|
|
|
|
|
|
|
|
|
训练的话缩小batch size（如果缩小到1还不够只能更换显卡训练），推理的话酌情缩小config.py结尾的x_pad，x_query，x_center，x_max。4G以下显存（例如1060（3G）和各种2G显卡）可以直接放弃，4G显存显卡还有救。<br>
|
|
|
|
|
|
|
|
|
|
|
|
## Q9:total_epoch调多少比较好
|
|
|
|
|
|
|
|
|
|
|
|
如果训练集音质差底噪大，20~30足够了，调太高，底模音质无法带高你的低音质训练集<br>
|
|
|
|
|
|
如果训练集音质高底噪低时长多，可以调高，200是ok的（训练速度很快，既然你有条件准备高音质训练集，显卡想必条件也不错，肯定不在乎多一些训练时间）<br>
|
|
|
|
|
|
|
|
|
|
|
|
## Q10:需要多少训练集时长
|
|
|
|
|
|
推荐10min至50min<br>
|
|
|
|
|
|
保证音质高底噪低的情况下，如果有个人特色的音色统一，则多多益善<br>
|
|
|
|
|
|
高水平的训练集（精简+音色有特色），5min至10min也是ok的，仓库作者本人就经常这么玩<br>
|
|
|
|
|
|
也有人拿1min至2min的数据来训练并且训练成功的，但是成功经验是其他人不可复现的，不太具备参考价值。这要求训练集音色特色非常明显（比如说高频气声较明显的萝莉少女音），且音质高；<br>
|
|
|
|
|
|
1min以下时长数据目前没见有人尝试（成功）过。不建议进行这种鬼畜行为。<br>
|
|
|
|
|
|
|
|
|
|
|
|
## Q11:index rate干嘛用的，怎么调（科普）
|
|
|
|
|
|
如果底模和推理源的音质高于训练集的音质，他们可以带高推理结果的音质，但代价可能是音色往底模/推理源的音色靠，这种现象叫做"音色泄露"；<br>
|
|
|
|
|
|
index rate用来削减/解决音色泄露问题。调到1，则理论上不存在推理源的音色泄露问题，但音质更倾向于训练集。如果训练集音质比推理源低，则index rate调高可能降低音质。调到0，则不具备利用检索混合来保护训练集音色的效果；<br>
|
|
|
|
|
|
如果训练集优质时长多，可调高total_epoch，此时模型本身不太会引用推理源和底模的音色，很少存在"音色泄露"问题，此时index_rate不重要，你甚至可以不建立/分享index索引文件。<br>
|
|
|
|
|
|
|
|
|
|
|
|
## Q11:推理怎么选gpu
|
|
|
|
|
|
config.py文件里device cuda:后面选择卡号；<br>
|
|
|
|
|
|
卡号和显卡的映射关系，在训练选项卡的显卡信息栏里能看到。<br>
|
|
|
|
|
|
|
|
|
|
|
|
## Q12:如何推理训练中间保存的pth
|
|
|
|
|
|
通过ckpt选项卡最下面提取小模型。<br>
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
## Q13:如何中断和继续训练
|
|
|
|
|
|
现阶段只能关闭WebUI控制台双击go-web.bat重启程序。网页参数也要刷新重新填写；<br>
|
|
|
|
|
|
继续训练：相同网页参数点训练模型，就会接着上次的checkpoint继续训练。<br>
|
|
|
|
|
|
|
|
|
|
|
|
## Q14:训练时出现文件页面/内存error
|
|
|
|
|
|
进程开太多了，内存炸了。你可能可以通过如下方式解决<br>
|
|
|
|
|
|
1、"提取音高和处理数据使用的CPU进程数" 酌情拉低；<br>
|
|
|
|
|
|
2、训练集音频手工切一下，不要太长。<br>
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
## Q15:如何中途加数据训练
|
|
|
|
|
|
1、所有数据新建一个实验名；<br>
|
|
|
|
|
|
2、拷贝上一次的最新的那个G和D文件（或者你想基于哪个中间ckpt训练，也可以拷贝中间的）到新实验名；下<br>
|
|
|
|
|
|
3、一键训练新实验名，他会继续上一次的最新进度训练。<br>
|
|
|
|
|
|
|
