finetune.md 8.1 KB
微调
显然, 当你打开这个页面的时候, 你已经对预训练模型 few-shot 的效果不算满意. 你想要微调一个模型, 使得它在你的数据集上表现更好.
Fish Speech 由三个模块组成: VQGAN,LLAMA, 以及 VITS Decoder.
!!! info
你应该先进行如下测试来判断你是否需要微调 `VITS Decoder`
```bash
python tools/vqgan/inference.py -i test.wav
python tools/vits_decoder/inference.py \
-ckpt checkpoints/vits_decoder_v1.1.ckpt \
-i fake.npy -r test.wav \
--text "合成文本"
```
该测试会生成一个 `fake.wav` 文件, 如果该文件的音色和说话人的音色不同, 或者质量不高, 你需要微调 `VITS Decoder`.
相应的, 你可以参考 [推理](inference.md) 来运行 `generate.py`, 判断韵律是否满意, 如果不满意, 则需要微调 `LLAMA`.
建议先对 `LLAMA` 进行微调，最后再根据需要微调 `VITS Decoder`.
LLAMA 微调
1. 准备数据集
.
├── SPK1
│ ├── 21.15-26.44.lab
│ ├── 21.15-26.44.mp3
│ ├── 27.51-29.98.lab
│ ├── 27.51-29.98.mp3
│ ├── 30.1-32.71.lab
│ └── 30.1-32.71.mp3
└── SPK2
├── 38.79-40.85.lab
└── 38.79-40.85.mp3
你需要将数据集转为以上格式, 并放到 data 下, 音频后缀可以为 .mp3, .wav 或 .flac, 标注文件后缀建议为 .lab.
!!! warning
建议先对数据集进行响度匹配, 你可以使用 [fish-audio-preprocess](https://github.com/fishaudio/audio-preprocess) 来完成这一步骤.
```bash
fap loudness-norm data-raw data --clean
```
2. 批量提取语义 token
确保你已经下载了 vqgan 权重, 如果没有, 请运行以下命令:
huggingface-cli download fishaudio/fish-speech-1 vq-gan-group-fsq-2x1024.pth --local-dir checkpoints
对于中国大陆用户, 可使用 mirror 下载.
HF_ENDPOINT=https://hf-mirror.com huggingface-cli download fishaudio/fish-speech-1 vq-gan-group-fsq-2x1024.pth --local-dir checkpoints
随后可运行以下命令来提取语义 token:
python tools/vqgan/extract_vq.py data \
--num-workers 1 --batch-size 16 \
--config-name "firefly_gan_vq" \
--checkpoint-path "checkpoints/fish-speech-1.2/firefly-gan-vq-fsq-4x1024-42hz-generator.pth"
!!! note
你可以调整 `--num-workers` 和 `--batch-size` 来提高提取速度, 但是请注意不要超过你的显存限制.
该命令会在 data 目录下创建 .npy 文件, 如下所示:
.
├── SPK1
│ ├── 21.15-26.44.lab
│ ├── 21.15-26.44.mp3
│ ├── 21.15-26.44.npy
│ ├── 27.51-29.98.lab
│ ├── 27.51-29.98.mp3
│ ├── 27.51-29.98.npy
│ ├── 30.1-32.71.lab
│ ├── 30.1-32.71.mp3
│ └── 30.1-32.71.npy
└── SPK2
├── 38.79-40.85.lab
├── 38.79-40.85.mp3
└── 38.79-40.85.npy
3. 打包数据集为 protobuf
python tools/llama/build_dataset.py \
--input "data" \
--output "data/quantized-dataset-ft.protos" \
--text-extension .lab \
--num-workers 16
命令执行完毕后, 你应该能在 data 目录下看到 quantized-dataset-ft.protos 文件.
4. 最后, 启动微调
同样的, 请确保你已经下载了 LLAMA 权重, 如果没有, 请运行以下命令:
huggingface-cli download fishaudio/fish-speech-1 text2semantic-sft-medium-v1.1-4k.pth --local-dir checkpoints
对于中国大陆用户, 可使用 mirror 下载.
HF_ENDPOINT=https://hf-mirror.com huggingface-cli download fishaudio/fish-speech-1 text2semantic-sft-medium-v1.1-4k.pth --local-dir checkpoints
最后, 你可以运行以下命令来启动微调:
python fish_speech/train.py --config-name text2semantic_finetune \
model@model.model=dual_ar_2_codebook_medium
!!! note
你可以通过修改 `fish_speech/configs/text2semantic_finetune.yaml` 来修改训练参数如 `batch_size`, `gradient_accumulation_steps` 等, 来适应你的显存.
!!! note
对于 Windows 用户, 你可以使用 `trainer.strategy.process_group_backend=gloo` 来避免 `nccl` 的问题.
训练结束后, 你可以参考 推理 部分, 并携带 --speaker SPK1 参数来测试你的模型.
!!! info
默认配置下, 基本只会学到说话人的发音方式, 而不包含音色, 你依然需要使用 prompt 来保证音色的稳定性.
如果你想要学到音色, 请将训练步数调大, 但这有可能会导致过拟合.
使用 LoRA 进行微调
!!! note
LoRA 可以减少模型过拟合的风险, 但是相应的会导致在大数据集上欠拟合.
如果你想使用 LoRA, 请添加以下参数 +lora@model.lora_config=r_8_alpha_16.
训练完成后, 你需要先将 loRA 的权重转为普通权重, 然后再进行推理.
python tools/llama/merge_lora.py \
--llama-config dual_ar_2_codebook_medium \
--lora-config r_8_alpha_16 \
--llama-weight checkpoints/text2semantic-sft-medium-v1.1-4k.pth \
--lora-weight results/text2semantic-finetune-medium-lora/checkpoints/step_000000200.ckpt \
--output checkpoints/merged.ckpt
VITS 微调
1. 准备数据集
.
├── SPK1
│ ├── 21.15-26.44.lab
│ ├── 21.15-26.44.mp3
│ ├── 27.51-29.98.lab
│ ├── 27.51-29.98.mp3
│ ├── 30.1-32.71.lab
│ └── 30.1-32.71.mp3
└── SPK2
├── 38.79-40.85.lab
└── 38.79-40.85.mp3
!!! note
VITS 微调目前仅支持 `.lab` 作为标签文件，不支持 `filelist` 形式.
你需要将数据集转为以上格式, 并放到 data 下, 音频后缀可以为 .mp3, .wav 或 .flac, 标注文件后缀建议为 .lab.
2. 分割训练集和验证集
python tools/vqgan/create_train_split.py data
该命令会在 data 目录下创建 data/vq_train_filelist.txt 和 data/vq_val_filelist.txt 文件, 分别用于训练和验证.
!!! info
对于 VITS 格式, 你可以使用 `--filelist xxx.list` 来指定文件列表.
请注意, `filelist` 所指向的音频文件必须也位于 `data` 文件夹下.
3. 启动训练
python fish_speech/train.py --config-name vits_decoder_finetune
!!! note
你可以通过修改 `fish_speech/configs/vits_decoder_finetune.yaml` 来修改训练参数, 如数据集配置.
4. 测试音频
python tools/vits_decoder/inference.py \
--checkpoint-path results/vits_decoder_finetune/checkpoints/step_000010000.ckpt \
-i test.npy -r test.wav \
--text "合成文本"
你可以查看 fake.wav 来判断微调效果.
VQGAN 微调 (不推荐)
在 V1.1 版本中, 我们不再推荐使用 VQGAN 进行微调, 使用 VITS Decoder 会获得更好的表现, 但是如果你仍然想要使用 VQGAN 进行微调, 你可以参考以下步骤.
1. 准备数据集
.
├── SPK1
│ ├── 21.15-26.44.mp3
│ ├── 27.51-29.98.mp3
│ └── 30.1-32.71.mp3
└── SPK2
└── 38.79-40.85.mp3
你需要将数据集转为以上格式, 并放到 data 下, 音频后缀可以为 .mp3, .wav 或 .flac.
2. 分割训练集和验证集
python tools/vqgan/create_train_split.py data
该命令会在 data 目录下创建 data/vq_train_filelist.txt 和 data/vq_val_filelist.txt 文件, 分别用于训练和验证.
!!!info
对于 VITS 格式, 你可以使用 `--filelist xxx.list` 来指定文件列表.
请注意, `filelist` 所指向的音频文件必须也位于 `data` 文件夹下.
3. 启动训练
python fish_speech/train.py --config-name firefly_gan_vq
!!! note
你可以通过修改 `fish_speech/configs/firefly_gan_vq.yaml` 来修改训练参数, 但大部分情况下, 你不需要这么做.
4. 测试音频
python tools/vqgan/inference.py -i test.wav --checkpoint-path results/firefly_gan_vq/checkpoints/step_000010000.ckpt
你可以查看 fake.wav 来判断微调效果.
!!! note
你也可以尝试其他的 checkpoint, 我们建议你使用最早的满足你要求的 checkpoint, 他们通常在 OOD 上表现更好.