本项目专注于训练高质量的RVC（Retrieval-based Voice Conversion）模型底模，为语音转换任务提供强大的基础模型支持。通过476个不同说话人的多样化数据集，我们训练出了具有优异收敛性能的编码器和解码器模型。
- 大规模多说话人训练: 基于476个说话人的丰富数据集
- 优异的收敛性能: 经过35天深度训练，提供更稳定的训练收敛能力
- 高质量编码器/解码器: 为RVC模型训练提供强大的预训练底模
- 完整的训练流程: 包含数据预处理、模型训练、评估等完整工具链
- 说话人数量: 476个不同说话人
- 训练时长: 35天连续训练
- 模型类型: 编码器 + 解码器架构
- 更快的训练收敛速度
- 更稳定的训练过程
- 更好的语音质量输出
| 声码器 | 32k | 40k | 48k |
|---|---|---|---|
| HiFi-GAN MRF | 🚧 即将发布 | 🚧 即将发布 | 🚧 即将发布 |
| HiFi-GAN NSF | 🚧 即将发布 | 🚧 即将发布 |  |
| HiFi-GAN | 🚧 即将发布 | 🚧 即将发布 | 🚧 即将发布 |
| RefineGAN | 🚧 即将发布 | 🚧 即将发布 | 🚧 即将发布 |
| SiFiGAN | 🚧 即将发布 | 🚧 即将发布 | 🚧 即将发布 |
💡 使用建议: 推荐使用 HiFi-GAN NSF 48k 模型，具有最佳的音质表现和训练稳定性。
本模型使用以下高质量中文语音数据集进行训练：
| 数据集名称 | 时长（小时） | 描述 |
|---|---|---|
| data_aishell | 178 | 中文普通话语音识别数据集 |
| data_thchs30 | 30 | 清华大学中文语音数据集 |
| primewords_md_2018 | 178 | 中文语音合成数据集 |
| VCTK | 44 | 英文多说话人数据集 |
| 四川方言 | 4 | 四川话方言数据 |
| 闽南语 | 3 | 闽南话方言数据 |
| 粤语 | 3 | 粤语方言数据 |
| 温州方言 | 7 | 温州话方言数据 |
| 噪声 | 20 | 噪声环境语音数据 |
- Python 3.11+
- CUDA 11.0+ (推荐使用GPU训练)
- 8GB+ GPU显存 (推荐16GB+)
# 安装项目依赖
pip install -r requirements.txt
# 或使用安装脚本
./run-install.sh具体查看 data_preprocessing.ipynb
具体查看 train.ipynb
底模 convbased_v1 使用目前只有48k采样率
感谢 Convbased 为本项目提供计算服务，Convbased 致力于推进中文语音合成技术与云计算的发展。
本项目采用 MIT 许可证，详见 LICENSE 文件。
欢迎提交Issues和Pull Requests来帮助改进项目！
如有问题或建议，请通过以下方式联系：
- 提交GitHub Issue
- 发送邮件至项目维护者
本模型致力于推进中文语音合成技术的发展，该底模已用于微调大部分模型于 Convbased 提供使用