gurentan/RedAlert2_Adjutant_Voice_Model

Red Alert 2 · Mental Omega — 四阵营副官语音模型

Red Alert 2 · Mental Omega — Four-Faction Adjutant Voice Model

基于 VITS-fast-fine-tuning 微调的多说话人 TTS 模型， 包含《红色警戒 2 · 心灵终结》四个阵营的副官（EVA）音色，支持 中文 / 英文 / 日文 及同句混读。

Ready for VITS-Fast-Fine-Tuning Inference.

---

Included characters（包含角色）

阵营 Faction	说话人 Speaker	Speaker ID	语言标记
盟军 Allied	us_eva	3	[EN] [ZH] [JA]
苏联 Soviet	su_eva	2	[EN] [ZH] [JA]
焚风 Foehn	ff_eva	1	[EN] [ZH] [JA]
厄普西隆 Epsilon	ep_eva	0	[EN] [ZH] [JA]

⚠️ Speaker ID 由训练时的目录扫描顺序决定，请以 configs/modified_finetune_speaker.json 里的 speakers 字段为准，不要硬编码。

---

仓库文件 Files

.
├── OUTPUT_MODEL/
│   └── G_latest.pth                     # 生成器权重（推理只需这一个）159 MB
├── configs/
│   └── modified_finetune_speaker.json   # 模型配置（含 speakers 映射）2.5 KB
├── README.md
└── 使用协议.txt

文件	说明
OUTPUT_MODEL/G_latest.pth	生成器权重，推理只需要这个文件
configs/modified_finetune_speaker.json	模型配置：sampling_rate=22050、n_speakers=4、text_cleaners=["cjke_cleaners2"]、speakers 映射
OUTPUT_MODEL/D_latest.pth	判别器权重（187 MB），推理不需要，仅用于继续训练

---

模型信息 Model details

项目	值
架构	VITS（多说话人），n_speakers = 4
底模 Base model	CJE / uma_trilingual（22050 Hz，三语底模）
采样率	22050 Hz，单声道，16 bit PCM
文本清洗器	cjke_cleaners2（中日英三语）
音素表	107 symbols
训练方式	VITS-fast-fine-tuning finetune_speaker_v2.py
微调数据	504 条游戏内语音，约 14 分钟
训练量	100 epoch = 3500 step，起步于底模 iteration 419
训练硬件	RTX 3060 Laptop（6 GB），batch 16 + fp16，约 1 小时 57 分
权重更新步	G_latest.pth = iteration 101
权限	只读（gated: false，公开可用）

---

快速使用 Usage

1. 准备环境

git clone https://github.com/Plachtaa/VITS-fast-fine-tuning.git
cd VITS-fast-fine-tuning
# 按官方 README_ZH.md 装好依赖（Python 3.8 + PyTorch CUDA 版）

2. 下载本仓库

pip install -U "huggingface_hub[cli]"
huggingface-cli download gurentan/RedAlert2_Adjutant_Voice_Model --local-dir ./

或者直接 git clone https://huggingface.co/gurentan/RedAlert2_Adjutant_Voice_Model

3. 单句合成

cmd_inference.py 是官方自带的命令行推理脚本：

python cmd_inference.py \
    -m OUTPUT_MODEL/G_latest.pth \
    -c configs/modified_finetune_speaker.json \
    -o output/vits \
    -on test \
    -l English \
    -t "Warning. Nuclear silo detected." \
    -s us_eva \
    -ls 1

参数	含义	可选值
-m	模型权重路径	本仓库的 OUTPUT_MODEL/G_latest.pth
-c	配置文件路径	本仓库的 configs/modified_finetune_speaker.json
-o	输出目录	例：output/vits
-t	要合成的文本	任意
-s	说话人名称（不是 ID）	us_eva / su_eva / ff_eva / ep_eva
-l	语言	English / 简体中文 / 日本語 / Mix
-on	输出文件名（不含扩展名）	默认 output
-ns	感情变化程度	默认 0.667，越大语气起伏越明显
-nsw	音素发音长度	默认 0.6
-ls	语速倍率	默认 1；**-ls 2 = 语速翻倍**（内部按 1/length_scale 计算）

4. 语言标记（多语言混读）

-l 选单一语言时，脚本会自动在文本首尾包裹对应标记； 需要同一句混读多种语言时，用 Mix 并在文本里手写标记：

-l Mix -t "[ZH]核弹发射井已就绪。[ZH][EN]Stand by.[EN]"

语言	标记
英文	[EN] ... [EN]
中文	[ZH] ... [ZH]
日文	[JA] ... [JA]

---

配套网页服务 Web UI

本模型有一个开箱即用的 Gradio 网页端（四阵营下拉选择、语速 0.1~2.0、 Mix 模式自动识别语言、一键保存 wav），代码与文档见：

https://github.com/gurentan/RedAlert2_Adjutant_TTS

---

训练数据与限制 Training data & limitations

• 数据来自游戏内语音提取，共 504 条 / 约 14 分钟，四个阵营分布不均 （盟军 138 / 苏联 139 / 厄普西隆 138 / 焚风 90）
• 文本由 Whisper small 转写后人工校对，仍有少量识别误差可能残留
• 训练步数（3500 step）偏少，音质仍有提升空间；长句、生僻词可能含糊
• 训练集与验证集内容相同（数据量过小，上游脚本未做划分）， 验证 loss 不能反映泛化能力

适用场景：个人学习、同人创作、游戏 Mod 语音补充 不适用场景：商业用途、真实人物语音冒充、任何违法用途

---

免责声明 Disclaimer

• 音色来源于《命令与征服：红色警戒 2》及其模组《心灵终结（Mental Omega）》， 版权归原作与模组作者所有
• 本模型仅供技术学习与个人研究使用，禁止商用
• 由此产生的一切版权纠纷与本仓库作者无关，如权利方有异议请联系删除

---

致谢 Credits

• 框架：plachtaa/VITS-fast-fine-tuning
• 底模：CJE / uma_trilingual 三语底模（22050 Hz）
• 原始 VITS：jaywalnut310/vits
• 参考仓库：kingsznhone/Red-Alert-2-Full-Voice-Model
• 语音素材：Mental Omega 模组制作组