from pathlib import Path from typing import Any, Optional, Union import numpy as np import torch from numpy.typing import NDArray from pydantic import BaseModel from style_bert_vits2.constants import ( DEFAULT_ASSIST_TEXT_WEIGHT, DEFAULT_LENGTH, DEFAULT_LINE_SPLIT, DEFAULT_NOISE, DEFAULT_NOISEW, DEFAULT_SDP_RATIO, DEFAULT_SPLIT_INTERVAL, DEFAULT_STYLE, DEFAULT_STYLE_WEIGHT, Languages, ) from style_bert_vits2.logging import logger from style_bert_vits2.models.hyper_parameters import HyperParameters from style_bert_vits2.models.infer import get_net_g, infer from style_bert_vits2.models.models import SynthesizerTrn from style_bert_vits2.models.models_jp_extra import ( SynthesizerTrn as SynthesizerTrnJPExtra, ) from style_bert_vits2.voice import adjust_voice # Gradio の import は重いため、ここでは型チェック時のみ import する # ライブラリとしての利用を考慮し、TTSModelHolder の _for_gradio() 系メソッド以外では Gradio に依存しないようにする # _for_gradio() 系メソッドの戻り値の型アノテーションを文字列としているのは、Gradio なしで実行できるようにするため # if TYPE_CHECKING: # import gradio as gr class TTSModel: """ Style-Bert-Vits2 の音声合成モデルを操作するクラス。 モデル/ハイパーパラメータ/スタイルベクトルのパスとデバイスを指定して初期化し、model.infer() メソッドを呼び出すと音声合成を行える。 """ def __init__( self, model_path: Path, config_path: Union[Path, HyperParameters], style_vec_path: Union[Path, NDArray[Any]], device: str, ) -> None: """ Style-Bert-Vits2 の音声合成モデルを初期化する。 この時点ではモデルはロードされていない (明示的にロードしたい場合は model.load() を呼び出す)。 Args: model_path (Path): モデル (.safetensors) のパス config_path (Union[Path, HyperParameters]): ハイパーパラメータ (config.json) のパス (直接 HyperParameters を指定することも可能) style_vec_path (Union[Path, NDArray[Any]]): スタイルベクトル (style_vectors.npy) のパス (直接 NDArray を指定することも可能) device (str): 音声合成時に利用するデバイス (cpu, cuda, mps など) """ self.model_path: Path = model_path self.device: str = device # ハイパーパラメータの Pydantic モデルが直接指定された if isinstance(config_path, HyperParameters): self.config_path: Path = Path("") # 互換性のため空の Path を設定 self.hyper_parameters: HyperParameters = config_path # ハイパーパラメータのパスが指定された else: self.config_path: Path = config_path self.hyper_parameters: HyperParameters = HyperParameters.load_from_json( self.config_path ) # スタイルベクトルの NDArray が直接指定された if isinstance(style_vec_path, np.ndarray): self.style_vec_path: Path = Path("") # 互換性のため空の Path を設定 self.__style_vectors: NDArray[Any] = style_vec_path # スタイルベクトルのパスが指定された else: self.style_vec_path: Path = style_vec_path self.__style_vectors: NDArray[Any] = np.load(self.style_vec_path) self.spk2id: dict[str, int] = self.hyper_parameters.data.spk2id self.id2spk: dict[int, str] = {v: k for k, v in self.spk2id.items()} num_styles: int = self.hyper_parameters.data.num_styles if hasattr(self.hyper_parameters.data, "style2id"): self.style2id: dict[str, int] = self.hyper_parameters.data.style2id else: self.style2id: dict[str, int] = {str(i): i for i in range(num_styles)} if len(self.style2id) != num_styles: raise ValueError( f"Number of styles ({num_styles}) does not match the number of style2id ({len(self.style2id)})" ) if self.__style_vectors.shape[0] != num_styles: raise ValueError( f"The number of styles ({num_styles}) does not match the number of style vectors ({self.__style_vectors.shape[0]})" ) self.__style_vector_inference: Optional[Any] = None self.__net_g: Union[SynthesizerTrn, SynthesizerTrnJPExtra, None] = None def load(self) -> None: """ 音声合成モデルをデバイスにロードする。 """ self.__net_g = get_net_g( model_path=str(self.model_path), version=self.hyper_parameters.version, device=self.device, hps=self.hyper_parameters, ) def __get_style_vector(self, style_id: int, weight: float = 1.0) -> NDArray[Any]: """ スタイルベクトルを取得する。 Args: style_id (int): スタイル ID (0 から始まるインデックス) weight (float, optional): スタイルベクトルの重み. Defaults to 1.0. Returns: NDArray[Any]: スタイルベクトル """ mean = self.__style_vectors[0] style_vec = self.__style_vectors[style_id] style_vec = mean + (style_vec - mean) * weight return style_vec def __get_style_vector_from_audio( self, audio_path: str, weight: float = 1.0 ) -> NDArray[Any]: """ 音声からスタイルベクトルを推論する。 Args: audio_path (str): 音声ファイルのパス weight (float, optional): スタイルベクトルの重み. Defaults to 1.0. Returns: NDArray[Any]: スタイルベクトル """ if self.__style_vector_inference is None: # pyannote.audio は scikit-learn などの大量の重量級ライブラリに依存しているため、 # TTSModel.infer() に reference_audio_path を指定し音声からスタイルベクトルを推論する場合のみ遅延 import する try: import pyannote.audio except ImportError: raise ImportError( "pyannote.audio is required to infer style vector from audio" ) # スタイルベクトルを取得するための推論モデルを初期化 self.__style_vector_inference = pyannote.audio.Inference( model=pyannote.audio.Model.from_pretrained( "pyannote/wespeaker-voxceleb-resnet34-LM" ), window="whole", ) self.__style_vector_inference.to(torch.device(self.device)) # 音声からスタイルベクトルを推論 xvec = self.__style_vector_inference(audio_path) mean = self.__style_vectors[0] xvec = mean + (xvec - mean) * weight return xvec def __convert_to_16_bit_wav(self, data: NDArray[Any]) -> NDArray[Any]: """ 音声データを 16-bit int 形式に変換する。 gradio.processing_utils.convert_to_16_bit_wav() を移植したもの。 Args: data (NDArray[Any]): 音声データ Returns: NDArray[Any]: 16-bit int 形式の音声データ """ # Based on: https://docs.scipy.org/doc/scipy/reference/generated/scipy.io.wavfile.write.html if data.dtype in [np.float64, np.float32, np.float16]: # type: ignore data = data / np.abs(data).max() data = data * 32767 data = data.astype(np.int16) elif data.dtype == np.int32: data = data / 65536 data = data.astype(np.int16) elif data.dtype == np.int16: pass elif data.dtype == np.uint16: data = data - 32768 data = data.astype(np.int16) elif data.dtype == np.uint8: data = data * 257 - 32768 data = data.astype(np.int16) elif data.dtype == np.int8: data = data * 256 data = data.astype(np.int16) else: raise ValueError( "Audio data cannot be converted automatically from " f"{data.dtype} to 16-bit int format." ) return data def infer( self, text: str, language: Languages = Languages.JP, speaker_id: int = 0, reference_audio_path: Optional[str] = None, sdp_ratio: float = DEFAULT_SDP_RATIO, noise: float = DEFAULT_NOISE, noise_w: float = DEFAULT_NOISEW, length: float = DEFAULT_LENGTH, line_split: bool = DEFAULT_LINE_SPLIT, split_interval: float = DEFAULT_SPLIT_INTERVAL, assist_text: Optional[str] = None, assist_text_weight: float = DEFAULT_ASSIST_TEXT_WEIGHT, use_assist_text: bool = False, style: str = DEFAULT_STYLE, style_weight: float = DEFAULT_STYLE_WEIGHT, given_phone: Optional[list[str]] = None, given_tone: Optional[list[int]] = None, pitch_scale: float = 1.0, intonation_scale: float = 1.0, ) -> tuple[int, NDArray[Any]]: """ テキストから音声を合成する。 Args: text (str): 読み上げるテキスト language (Languages, optional): 言語. Defaults to Languages.JP. speaker_id (int, optional): 話者 ID. Defaults to 0. reference_audio_path (Optional[str], optional): 音声スタイルの参照元の音声ファイルのパス. Defaults to None. sdp_ratio (float, optional): DP と SDP の混合比。0 で DP のみ、1で SDP のみを使用 (値を大きくするとテンポに緩急がつく). Defaults to DEFAULT_SDP_RATIO. noise (float, optional): DP に与えられるノイズ. Defaults to DEFAULT_NOISE. noise_w (float, optional): SDP に与えられるノイズ. Defaults to DEFAULT_NOISEW. length (float, optional): 生成音声の長さ（話速）のパラメータ。大きいほど生成音声が長くゆっくり、小さいほど短く早くなる。 Defaults to DEFAULT_LENGTH. line_split (bool, optional): テキストを改行ごとに分割して生成するかどうか (True の場合 given_phone/given_tone は無視される). Defaults to DEFAULT_LINE_SPLIT. split_interval (float, optional): 改行ごとに分割する場合の無音 (秒). Defaults to DEFAULT_SPLIT_INTERVAL. assist_text (Optional[str], optional): 感情表現の参照元の補助テキスト. Defaults to None. assist_text_weight (float, optional): 感情表現の補助テキストを適用する強さ. Defaults to DEFAULT_ASSIST_TEXT_WEIGHT. use_assist_text (bool, optional): 音声合成時に感情表現の補助テキストを使用するかどうか. Defaults to False. style (str, optional): 音声スタイル (Neutral, Happy など). Defaults to DEFAULT_STYLE. style_weight (float, optional): 音声スタイルを適用する強さ. Defaults to DEFAULT_STYLE_WEIGHT. given_phone (Optional[list[int]], optional): 読み上げテキストの読みを表す音素列。指定する場合は given_tone も別途指定が必要. Defaults to None. given_tone (Optional[list[int]], optional): アクセントのトーンのリスト. Defaults to None. pitch_scale (float, optional): ピッチの高さ (1.0 から変更すると若干音質が低下する). Defaults to 1.0. intonation_scale (float, optional): 抑揚の平均からの変化幅 (1.0 から変更すると若干音質が低下する). Defaults to 1.0. Returns: tuple[int, NDArray[Any]]: サンプリングレートと音声データ (16bit PCM) """ logger.info(f"Start generating audio data from text:\n{text}") if language != "JP" and self.hyper_parameters.version.endswith("JP-Extra"): raise ValueError( "The model is trained with JP-Extra, but the language is not JP" ) if reference_audio_path == "": reference_audio_path = None if assist_text == "" or not use_assist_text: assist_text = None if self.__net_g is None: self.load() assert self.__net_g is not None if reference_audio_path is None: style_id = self.style2id[style] style_vector = self.__get_style_vector(style_id, style_weight) else: style_vector = self.__get_style_vector_from_audio( reference_audio_path, style_weight ) if not line_split: with torch.no_grad(): audio = infer( text=text, sdp_ratio=sdp_ratio, noise_scale=noise, noise_scale_w=noise_w, length_scale=length, sid=speaker_id, language=language, hps=self.hyper_parameters, net_g=self.__net_g, device=self.device, assist_text=assist_text, assist_text_weight=assist_text_weight, style_vec=style_vector, given_phone=given_phone, given_tone=given_tone, ) else: texts = text.split("\n") texts = [t for t in texts if t != ""] audios = [] with torch.no_grad(): for i, t in enumerate(texts): audios.append( infer( text=t, sdp_ratio=sdp_ratio, noise_scale=noise, noise_scale_w=noise_w, length_scale=length, sid=speaker_id, language=language, hps=self.hyper_parameters, net_g=self.__net_g, device=self.device, assist_text=assist_text, assist_text_weight=assist_text_weight, style_vec=style_vector, ) ) if i != len(texts) - 1: audios.append(np.zeros(int(44100 * split_interval))) audio = np.concatenate(audios) logger.info("Audio data generated successfully") if not (pitch_scale == 1.0 and intonation_scale == 1.0): _, audio = adjust_voice( fs=self.hyper_parameters.data.sampling_rate, wave=audio, pitch_scale=pitch_scale, intonation_scale=intonation_scale, ) audio = self.__convert_to_16_bit_wav(audio) return (self.hyper_parameters.data.sampling_rate, audio) class TTSModelInfo(BaseModel): name: str files: list[str] styles: list[str] speakers: list[str] class TTSModelHolder: """ Style-Bert-Vits2 の音声合成モデルを管理するクラス。 model_holder.models_info から指定されたディレクトリ内にある音声合成モデルの一覧を取得できる。 """ def __init__(self, model_root_dir: Path, device: str) -> None: """ Style-Bert-Vits2 の音声合成モデルを管理するクラスを初期化する。 音声合成モデルは下記のように配置されていることを前提とする (.safetensors のファイル名は自由) 。 ``` model_root_dir ├── model-name-1 │ ├── config.json │ ├── model-name-1_e160_s14000.safetensors │ └── style_vectors.npy ├── model-name-2 │ ├── config.json │ ├── model-name-2_e160_s14000.safetensors │ └── style_vectors.npy └── ... ``` Args: model_root_dir (Path): 音声合成モデルが配置されているディレクトリのパス device (str): 音声合成時に利用するデバイス (cpu, cuda, mps など) """ self.root_dir: Path = model_root_dir self.device: str = device self.model_files_dict: dict[str, list[Path]] = {} self.current_model: Optional[TTSModel] = None self.model_names: list[str] = [] self.models_info: list[TTSModelInfo] = [] self.refresh() def refresh(self) -> None: """ 音声合成モデルの一覧を更新する。 """ self.model_files_dict = {} self.model_names = [] self.current_model = None self.models_info = [] model_dirs = [d for d in self.root_dir.iterdir() if d.is_dir()] for model_dir in model_dirs: model_files = [ f for f in model_dir.iterdir() if f.suffix in [".pth", ".pt", ".safetensors"] ] if len(model_files) == 0: logger.warning(f"No model files found in {model_dir}, so skip it") continue config_path = model_dir / "config.json" if not config_path.exists(): logger.warning( f"Config file {config_path} not found, so skip {model_dir}" ) continue self.model_files_dict[model_dir.name] = model_files self.model_names.append(model_dir.name) hyper_parameters = HyperParameters.load_from_json(config_path) style2id: dict[str, int] = hyper_parameters.data.style2id styles = list(style2id.keys()) spk2id: dict[str, int] = hyper_parameters.data.spk2id speakers = list(spk2id.keys()) self.models_info.append( TTSModelInfo( name=model_dir.name, files=[str(f) for f in model_files], styles=styles, speakers=speakers, ) ) def get_model(self, model_name: str, model_path_str: str) -> TTSModel: """ 指定された音声合成モデルのインスタンスを取得する。 この時点ではモデルはロードされていない (明示的にロードしたい場合は model.load() を呼び出す)。 Args: model_name (str): 音声合成モデルの名前 model_path_str (str): 音声合成モデルのファイルパス (.safetensors) Returns: TTSModel: 音声合成モデルのインスタンス """ model_path = Path(model_path_str) if model_name not in self.model_files_dict: raise ValueError(f"Model `{model_name}` is not found") if model_path not in self.model_files_dict[model_name]: raise ValueError(f"Model file `{model_path}` is not found") if self.current_model is None or self.current_model.model_path != model_path: self.current_model = TTSModel( model_path=model_path, config_path=self.root_dir / model_name / "config.json", style_vec_path=self.root_dir / model_name / "style_vectors.npy", device=self.device, ) return self.current_model def get_model_for_gradio(self, model_name: str, model_path_str: str): import gradio as gr model_path = Path(model_path_str) if model_name not in self.model_files_dict: raise ValueError(f"Model `{model_name}` is not found") if model_path not in self.model_files_dict[model_name]: raise ValueError(f"Model file `{model_path}` is not found") if ( self.current_model is not None and self.current_model.model_path == model_path ): # Already loaded speakers = list(self.current_model.spk2id.keys()) styles = list(self.current_model.style2id.keys()) return ( gr.Dropdown(choices=styles, value=styles[0]), # type: ignore gr.Button(interactive=True, value="音声合成"), gr.Dropdown(choices=speakers, value=speakers[0]), # type: ignore ) self.current_model = TTSModel( model_path=model_path, config_path=self.root_dir / model_name / "config.json", style_vec_path=self.root_dir / model_name / "style_vectors.npy", device=self.device, ) speakers = list(self.current_model.spk2id.keys()) styles = list(self.current_model.style2id.keys()) return ( gr.Dropdown(choices=styles, value=styles[0]), # type: ignore gr.Button(interactive=True, value="音声合成"), gr.Dropdown(choices=speakers, value=speakers[0]), # type: ignore ) def update_model_files_for_gradio(self, model_name: str): import gradio as gr model_files = [str(f) for f in self.model_files_dict[model_name]] return gr.Dropdown(choices=model_files, value=model_files[0]) # type: ignore def update_model_names_for_gradio( self, ): import gradio as gr self.refresh() initial_model_name = self.model_names[0] initial_model_files = [ str(f) for f in self.model_files_dict[initial_model_name] ] return ( gr.Dropdown(choices=self.model_names, value=initial_model_name), # type: ignore gr.Dropdown(choices=initial_model_files, value=initial_model_files[0]), # type: ignore gr.Button(interactive=False), # For tts_button )