這個教程失敗于nccl（windows無法配置），所以沒成功就不面向需要學習的人了，這篇屬于記錄一下原因和一些配置方式防止自己遺忘的文檔，如果系統(tǒng)是windows就別跟著配前置了，找別的版本吧，（沒有配置使用過）以下是推薦：

https://github.com/PlayVoice/vits_chinese

https://github.com/Plachtaa/VITS-fast-fine-tuning

https://github.com/svc-develop-team/so-vits-svc

https://github.com/Edresson/YourTTS/

本文檔基于：

windows11

CUDA 12.1

Anaconda

Anaconda對于配置單個AI可有可無，這是用來用于虛擬多個python環(huán)境，防止之后組合別的ai出現(xiàn)環(huán)境和包不匹配導致安裝多AI失敗的情況，比如擬聲鳥需要的是python3.9，而stablediffusion需要的是python3.10，以及各個包之間會有相同的依賴庫但版本不同

NCCL（無法在windows運行）

顯卡2080ti

開始：

查看當前電腦的CUDA版本：

打開“命令提示符（CMD）”

輸入nvidia-smi

下載所用文件：

下載vits項目（Github）

https://github.com/jaywalnut310/vits

下載AnaConda(Windows):

https://www.anaconda.com (主頁)

https://repo.anaconda.com/archive/Anaconda3-2023.03-Windows-x86_64.exe

https://mirrors.bfsu.edu.cn/anaconda/（北京外國語大學開源軟件鏡像站）

msvc：

https://visualstudio.microsoft.com/zh-hans/downloads/

下載pytorch文件(以防各種莫名其妙的pytorch報錯):

命令行方式：https://pytorch.org/get-started/locally/

Pytorch下載：

https://download.pytorch.org/whl/ （所有庫下載）

pytorch：

https://download.pytorch.org/whl/torch

cp：python版本(cp310=python3.10版本)

cu：cuda版本(cu118=cuda11.8版本)? ? ?使用顯卡

cu118可以適用于cuda12.1版本

cpu：cpu版本? ? 使用CPU

cpu版本適用于顯卡顯存不足6g的電腦

2.0.0為最新版本

Pytorch Audio

https://download.pytorch.org/whl/torchaudio

Pytorch Vision

https://download.pytorch.org/torchvision/

CUDA下載（CUDA Toolkit）：

https://developer.nvidia.com/cuda-downloads?

需要的軟件：

buzz（語音轉文字，基于openai的whisper）

https://github.com/chidiwilliams/buzz/releases/tag/v0.7.2

audio-slicer（視頻切片，可以多切幾次弄多一點訓練材料）

https://github.com/flutydeer/audio-slicer/releases/tag/v1.1.0

Espeak：

https://github.com/espeak-ng/espeak-ng/releases/tag/1.51

FFmpeg：

https://github.com/BtbN/FFmpeg-Builds/releases（win，大小126M的版本）

環(huán)境變量

nvcc,ffmpeg,git,anaconda等軟件的命令也需要配置環(huán)境變量

假設我的項目路徑在

C:\Users\用戶名\Desktop\AIS\vits-main\

Vits配置安裝：

首先conda create -n vits python=3.9 創(chuàng)建一個3.9的python環(huán)境

conda activate vits

cd?C:\Users\用戶名\Desktop\AIS\vits-main\

pip install 下好的torch,torchaudio,torchvision文件路徑

requirement.txt文件內容修改為：

Cython==0.29.21

librosa==0.8.0

matplotlib==3.3.1

numpy==1.18.5

phonemizer==2.2.1

scipy>=1.5.2

tensorboard==2.3.0

Unidecode==1.1.1

pip install -r requirement.txt

修改項目文件：

訓練材料（煉丹材料）：

基于https://www.bilibili.com/read/cv21153903/

修改內容基于https://github.com/wac81/vits_chinese/tree/37edf5f4c5a1b1f746729bdb5c16bfb3b0bd52e4

text文件夾中cleaners.py：

def chinese_cleaners1(text):from pypinyin import Style, pinyinphones = [phone[0] for phone in pinyin(text, style=Style.TONE3)]return ' '.join(phones)def chinese_cleaners2(text):phones = [pfor phone in pinyin(text, style=Style.TONE3)for p in [get_initials(phone[0], strict=True),get_finals(phone[0][:-1], strict=True) + phone[0][-1]if phone[0][-1].isdigit()else get_finals(phone[0], strict=True)if phone[0][-1].isalnum()else phone[0],]# Remove the case of individual tones as a phonemeif len(p) != 0 and not p.isdigit()]return phones

text中symbols.py改的一樣：

""" from https://github.com/keithito/tacotron """'''Defines the set of symbols used in text input to the model.'''_pad ? ? ? ?= '_'_punctuation = ';:,.!???—…"??“” '_punctuation_zh = '；：，。！？-“”《》、 '_letters = 'ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz'_numbers = '123450'_others = ''_letters_ipa = "ɑ?????β?????e??????????ɡ??????????????????????????θ??????????????????????χ??????????∥???????????????↓↑→↗↘'?'?"# Export all symbols:symbols = [_pad] + list(_punctuation) + list(_letters) + list(_letters_ipa)symbols_zh = [_pad] + list(_punctuation_zh) + ?list(_letters) + list(_numbers)# Special symbol idsSPACE_ID = symbols.index(" ")

preprocess文件：

parser.add_argument("--text_cleaners", nargs="+", default=["chinese_cleaners1"]) ? # english_cleaners2

煉丹材料和list.txt放置方式以及config配置，默認基于教程：

https://www.bilibili.com/read/cv21153903/

以下操作全在

C:\Users\用戶名\Desktop\AIS\vits-main\文件夾下

config下創(chuàng)建文件（基于ljs_base），文件名自定義:

config.json

在這里我們選擇給出的chinese_base.json為例。

train部分：

eval_interval為保存間隔，默認的1000即可以滿足保存的需求，設置過小會訓練過程會耗費大量時間在保存上；設置過大如果訓練出現(xiàn)問題無法滿足及時保存最近的模型的需求。

epochs迭代次數(shù)，一般來說比較好的數(shù)據(jù)集質量不到一千就能出現(xiàn)效果，兩千往上勉強可以使用，這里個人建議一萬到兩萬效果最佳。

batch_size一定要改！請按照你的顯存酌情修改（否則開始訓練就爆顯存），6G大概為4左右，10G可以到6左右。

fp16_run半精度訓練，一般按照默認開啟即可，如果你對你的配置過于自信可以嘗試關閉。

data部分：

前兩行要改成我們前面保存list.txt和list_val.txt路徑，即filelists/list.txt.cleaned和filelists/list_val.txt.cleaned

cleaned是preprocess（預處理）后的文件

n_speakers說話人數(shù)，單人改為0

回到anaconda prompt：

按照官方給的方式使用

cd monotonic_align?

python setup.py build_ext --inplace

小坑：

monotonic_align下還要建立一個文件夾叫monotonic_align，不然報錯

python preprocess.py --text_index 1 --filelists 兩個list.txt文件的位置，中間用空格分開

（windows無法運行的最后一步）

python?train.py -c 自定義config.json文件路徑?-m 輸出后的model名稱

# LJ Speech

python train.py -c configs/ljs_base.json -m ljs_base

# VCTK

python train_ms.py -c configs/vctk_base.json -m vctk_base

問題總覽：

No module named 'numpy.random.bit_generator'

pip install numpy==1.19.3

TypeError: Descriptors cannot not be created directly. If this call came from a _pb2.py file, your generated code is out of date and must be regenerated with protoc >= 3.19.0. If you cannot immediately regenerate your protos, some other possible workarounds are: 1. Downgrade the protobuf package to 3.20.x or lower. 2. Set PROTOCOL_BUFFERS_PYTHON_IMPLEMENTATION=python (but this will use pure-Python parsing and will be much slower).

pip install protobuf==3.20.0

ValueError: port must have value from 0 to 65535 but was 80000.

train.py|train_ms.py

? os.environ['MASTER_PORT'] = '80000'

改為沒被占用的端口號（80，3306，22，21，20，443等常用端口不要去設置，比如：網(wǎng)頁常用端口，后端和數(shù)據(jù)庫常用端口，應用服務已占用端口如微信、MC服務器等，服務占用的端口，數(shù)據(jù)庫常用端口，文件傳輸常用端口，各種協(xié)議如郵件傳輸協(xié)議的常用端口等端口，一定需要避免設置這些端口，且范圍控制在0~65535中）

例子：os.environ['MASTER_PORT'] =?'5321'

windows無法配置的原因：

RuntimeError("Distributed package doesn't have NCCL " "built in")

RuntimeError: Distributed package doesn't have NCCL built in

NVIDIA Collective Communications Library (NCCL) | NVIDIA Developer

https://developer.nvidia.com/nccl

https://docs.nvidia.com/deeplearning/nccl/install-guide/index.html

坑踩爛了都，這個nccl官方版本不適用windows，沒裝雙系統(tǒng)沒法繼續(xù),文檔結束