SVC数据集准备及预处理

    此文档主要为SVC数据集预处理的详细步骤。

1. 音源准备

1. 时长要求：训练音源需准备至少20min以上，最好是1-2小时的数据。注：由于歌曲中歌手并不会整首歌都在演唱，因此这里的时长说的是歌手实际演唱的时长，不包括前奏、间奏等无歌声的部分。
2. 质量要求：训练音源尽量使用高保真及以上品质的音频。高质量音频会保留更多高低音域的数据，使得训练效果更好；低质量音频为了节省存储空间，会舍弃高低音域的部分数据。

1. 人声分离（以下简称VR）

1. 推荐使用在线网站EaseUs Vocal Remover进行人声分离，具体操作步骤就不赘述了
2. 如有其他分离工具，也可使用，若能直接去掉和声就更好。

1. 第一次切分（0~5s为短时片段、5~15s为正常片段、15+为超长片段）

1. 切分使用audio-slicer-GUI或audio-slicer-CLI进行。其主要功能为根据设置的参数将歌声从VR后的wav中切出来。

audio-slicer使用RMS(根平均分数)来测量音频的安静度并检测沉默的部分。计算每帧的RMS值(帧长度设置为Hop Size)，RMS值低于阈值的帧将被视为静默帧。

2. 参数说明：

        Threshold(dB) -- 音量低于阈值的帧会被当做静默帧去掉，如果音源较为嘈杂，可以增加该值抑制噪声，默认为-40dB。通常VR之后，可能会带有和声，也可利用该参数来切掉和声。

        Minimum Length(ms) -- 每个音频切片的最小长度，单位为ms，默认值为5000。

        Minimum Interval(ms) -- 切分时每个静音片段的最小长度，单位为ms，默认值为300。若原音频中只包含非常短暂的停顿，建议将该值设小一些。该值越小，获得的切片数量越多。注意：该值必须小于Minimum Length，大于Hop Size。

        Hop Size(ms) -- 每个RMS帧的长度，单位为ms。增加这个值将提高切片的精度，但会减慢过程。默认为10。

        Maximum Silence Length(ms) -- 音频切片时的最大静默长度，单位为ms，默认为1000，简单理解为当静默超过该值时即为合适的切片时间点。需要根据需要调整此值。注意，该值并不以为切片后音频中的连续静默时长会有如此长度。算法会根据需要自动寻找合适的切片点（其可能的静默长度会<=该值）

        Output Directory -- 输出目录，即切分后的wav保存位置

3. 参数设置完毕后，只需要点击Add Audio Files->选择所有需要切分的wav->start即可。等待完成后，进入Output Directory即可查看。

1. 二次切分

1. 在Output Directory中按照时长排序，将超长片段重新使用slicer进行二次切分。否则，超长片段在预处理或训练时，容易爆显存。
2. 若二次切分后无变化的片段，可通过调整Maximum Slience Length、Minimum Interval等参数使其能切分成功。

1. 数据清洗

1. 二次切分后，Output Directory中就只有短时和正常片段。数据清洗流程较为枯燥繁琐，需要用自己的耳朵去判断哪些数据可用，哪些不可用，同时还需要将时长不足的片段拼接起来。
2. 对二次切分后的片段按时长升序排列，圈出所有短时片段并逐一试听。非主声或无法判断声音归属的片段可直接删掉。对于主声中的气音、尾音等可能会被单独切成片段，需要保留并拼接到前后歌声中。
3. 部分短时片段可能是和声，或和声接一点点主声，需要使用工具Glodwave进行裁剪（其他工具亦可，只是我习惯用这个）。对于本为一句歌词却被切分为多个短片段的，亦可使用该工具进行拼接，可视化的剪切、粘贴以及ctrl+s的保存相当方便。

4. 短时片段清洗干净后，接下来对正常片段（即剩余的片段）逐一试听，视情况将短时片段贴到前后片段的头部或尾部，亦或几个连续短时片段合并为一个片段。
5. 若试听正常片段时发现存在和声或较长静默片段，也可使用Goldwave对其进行手动切分以及再拼接。最终使得Output Directory中只存在正常片段且都经过了清洗。
6. 对于翻唱模型来说，即便是占比非常小的错误数据也会导致模型质量的大幅下降，因此在清洗过程中需要细心、耐心并适时总结一些技巧。

1. 响度匹配

1. 规整好片段后，需要对数据集进行响度匹配。由于数据集由多首歌组成，不同歌之间音量听感是不一致的，因此响度匹配的目的即为让数据集整体达到一致的音量听感。
2. SVC提供的脚本resample.py中虽然有这个功能，但其是按照固定的0dB来对数据集进行听感统一，这可能造成音质的损失，从而降低数据集质量。
3. SVC作者提供了一个专门的响度匹配工具Loudness Matching Tool，若无其他选择时可以使用该工具进行操作。

4. 参数说明：

        输入输出 -- 只需提供目录路径即可，工具会读取输入目录下的所有音频文件，并在处理完毕后放到输出目录中

        匹配方式 -- 选择响度匹配的算法，其中括弧中的单位用于指导“目标响度数值”的值的意义

        目标响度数值 -- 匹配时的标准，其意义由匹配方式中的算法及其单位定义

        输出设置 -- 设置输出格式，建议与输入音频一致

5. 数据集中只保留匹配后的音频切片。

1. 重采样

1. 响度匹配后，需要执行resample.py对数据集进行规整。由于不使用SVC自带的响度匹配，因此需要带上参数--skip_loudnorm。

python resample.py --skip_loudnorm

2. 注意：resample.py会将重采样后的数据拷贝到dataset/44k之下，并形成对应的目录格式，因此即便原数据集已经是44100kHz、单声道，也建议执行一次该脚本。

1. 自动划分训练集、验证集，以及配置文件生成

1. 使用如下命令生成：

python preprocess_flist_config.py --speech_encoder vec768l12 --vol_aug

2. 上述命令中，speech_encoder可选的有如下集中：

vec768l12
vec256l9
hubertsoft
whisper-ppg
whisper-ppg-large
cnhubertlarge
dphubert

3. --vol_aug则表示开启响度嵌入，开启后在推理时会匹配输入源响度；去掉该参数则推理时会完全使用模型的响度。

     体感就是，开启后推理出来的翻唱歌声与原歌声音量差不多，关闭时翻唱歌声则取决于模型训练时数据集的整体音量。

9. 配置文件修改

1. 配置文件生成后，可按需进行调整，其中主模型配置文件为SVC/config/config.json，扩散模型配置文件为SVC/config/diffusion.yaml。
2. 主模型配置文件

config.json

• vocoder_name: 选择一种声码器，默认为nsf-hifigan
• log_interval：多少步输出一次日志，默认为 200
• eval_interval：多少步进行一次验证并保存一次模型，默认为 800
• epochs：训练总轮数，默认为 10000，达到此轮数后将自动停止训练
• learning_rate：学习率，建议保持默认值不要改
• batch_size：单次训练加载到 GPU 的数据量，调整到低于显存容量的大小即可
• all_in_mem：加载所有数据集到内存中，某些平台的硬盘 IO 过于低下、同时内存容量 远大于 数据集体积时可以启用
• keep_ckpts：训练时保留最后几个模型，0为保留所有，默认只保留最后3个

1. 扩散模型配置文件

diffusion.yaml

• cache_all_data：加载所有数据集到内存中，某些平台的硬盘 IO 过于低下、同时内存容量 远大于 数据集体积时可以启用
• duration：训练时音频切片时长，可根据显存大小调整，注意，该值必须小于训练集内音频的最短时间！
• batch_size：单次训练加载到 GPU 的数据量，调整到低于显存容量的大小即可
• timesteps : 扩散模型总步数，默认为 1000。完整的高斯扩散一共 1000 步
• k_step_max : 训练时可仅训练 k_step_max 步扩散以节约训练时间，注意，该值必须小于timesteps，0 为训练整个扩散模型，注意，如果不训练整个扩散模型将无法使用仅扩散模型推理！

1. 生成F0预测器

1. 前面步骤完全完成后，即可开始预处理的最后一步。生成预测器，生成的文件将会和dataset/44k/中的数据集放在一起。
2. 使用以下命令

python preprocess_hubert_f0.py --f0_predictor rmvpe --use_diff

3. 这里f0_predictor推荐只用rmvpe即可，--use_diff为开启扩散训练。
4. 此处命令执行需要花费一点时间，若出错爆显存，则需排查数据集是否存在时长较长的片段，需要进行部分重切分重拼接等操作。然后再从第六步重新来一遍。