本地训练,立等可取,30秒音频素材复刻霉霉讲中文音色基于Bert-VITS2V2.0.2

使用Bert-VITS2V2.0.2版本对原神数据集进行本地训练。

需要构建数据集以克隆脱离原神角色的对象，数据集质量和多样性影响模型性能。

音画分离操作提取音频，使用moviepy库完成。

对原始音频进行分析，获取采样频率和信号强度。

数据集切分以避免内存溢出，使用slicer2库将大文件切分为小份。

切分后的音频文件长度需大于2秒，以保证音频质量。

对切分后的音频进行重采样和生成标注文件，使用whisper进行转录。

生成bert模型可读文件，完成数据预处理。

配置训练参数，开始训练模型，注意保存间隔以便验证。

训练步数需平衡，过多可能导致过拟合，过少可能导致欠拟合。

最后进行模型推理，注意过拟合和欠拟合之间的平衡。