Upload 67 files

inference_main.py

@@ -29,7 +29,7 @@ def main():
     parser.add_argument('-cm', '--cluster_model_path', type=str, default="", help='聚类模型或特征检索索引路径，留空则自动设为各方案模型的默认路径，如果没有训练聚类或特征检索则随便填')
     parser.add_argument('-cr', '--cluster_infer_ratio', type=float, default=0, help='聚类方案或特征检索占比，范围0-1，若没有训练聚类模型或特征检索则默认0即可')
     parser.add_argument('-lg', '--linear_gradient', type=float, default=0, help='两段音频切片的交叉淡入长度，如果强制切片后出现人声不连贯可调整该数值，如果连贯建议采用默认值0，单位为秒')
-    parser.add_argument('-f0p', '--f0_predictor', type=str, default="pm", help='选择F0预测器,可选择crepe,pm,dio,harvest,rmvpe,默认为pm(注意：crepe为原F0使用均值滤波器)')
+    parser.add_argument('-f0p', '--f0_predictor', type=str, default="pm", help='选择F0预测器,可选择crepe,pm,dio,harvest,rmvpe,fcpe默认为pm(注意：crepe为原F0使用均值滤波器)')
     parser.add_argument('-eh', '--enhance', action='store_true', default=False, help='是否使用NSF_HIFIGAN增强器,该选项对部分训练集少的模型有一定的音质增强效果，但是对训练好的模型有反面效果，默认关闭')
     parser.add_argument('-shd', '--shallow_diffusion', action='store_true', default=False, help='是否使用浅层扩散，使用后可解决一部分电音问题，默认关闭，该选项打开时，NSF_HIFIGAN增强器将会被禁止')
     parser.add_argument('-usm', '--use_spk_mix', action='store_true', default=False, help='是否使用角色融合')

modules/F0Predictor/fcpe/model.py

@@ -170,7 +170,7 @@ class FCPEInfer:
         model.load_state_dict(ckpt['model'])
         model.eval()
         self.model = model
-        self.wav2mel = Wav2Mel(self.args)
+        self.wav2mel = Wav2Mel(self.args, dtype=self.dtype, device=self.device)
 
     @torch.no_grad()
     def __call__(self, audio, sr, threshold=0.05):
@@ -182,13 +182,15 @@ class FCPEInfer:
 
 
 class Wav2Mel:
-    def __init__(self, args, device=None):
+
+    def __init__(self, args, device=None, dtype=torch.float32):
         # self.args = args
         self.sampling_rate = args.mel.sampling_rate
         self.hop_size = args.mel.hop_size
         if device is None:
             device = 'cuda' if torch.cuda.is_available() else 'cpu'
         self.device = device
+        self.dtype = dtype
         self.stft = STFT(
             args.mel.sampling_rate,
             args.mel.num_mels,
@@ -205,14 +207,15 @@ class Wav2Mel:
         return mel
 
     def extract_mel(self, audio, sample_rate, keyshift=0, train=False):
+        audio = audio.to(self.dtype).to(self.device)
         # resample
         if sample_rate == self.sampling_rate:
             audio_res = audio
         else:
             key_str = str(sample_rate)
             if key_str not in self.resample_kernel:
-                self.resample_kernel[key_str] = Resample(sample_rate, self.sampling_rate,
-                                                         lowpass_filter_width=128).to(self.device)
+                self.resample_kernel[key_str] = Resample(sample_rate, self.sampling_rate, lowpass_filter_width=128)
+            self.resample_kernel[key_str] = self.resample_kernel[key_str].to(self.dtype).to(self.device)
             audio_res = self.resample_kernel[key_str](audio)
 
         # extract

modules/F0Predictor/rmvpe/inference.py

@@ -28,7 +28,7 @@ class RMVPE:
     def mel2hidden(self, mel):
         with torch.no_grad():
             n_frames = mel.shape[-1]
-            mel = F.pad(mel, (0, 32 * ((n_frames - 1) // 32 + 1) - n_frames), mode='reflect')
+            mel = F.pad(mel, (0, 32 * ((n_frames - 1) // 32 + 1) - n_frames), mode='constant')
             hidden = self.model(mel)
             return hidden[:, :n_frames]