MockingBird 离线一键安装包，免安装版使用教程!

如何使用

下载压缩包后找一个还有至少5G空间的盘，解压压缩包，注意不能有中文路径！

进入后双击运行工具箱/运行工具箱-vc模式/运行web程序，即可运行该项目。

1. 在【Utterance(音频)】位置选择我内置的某一条音频，点击【Load Above(加载上面)】选中一条音频，此时你能在左边的【Current(当前)】位置看到这条音频。或者你也可以点击【打开本地】打开一条你自己要模仿的音频，再或者点击录音，录制你自己的声音作为输入。
2. 接下来点击【Synthesizer】选择声学模型，pretrained-11-7-21_75k是作者提供的模型，下面的qh开头的是用海子姐的语音微调过的模型，rty开头的是用然天一大佬的合作音娘三七的语音微调过的模型。微调后的模型更适合模仿对应角色的语音。如果你上面选择的是qh或者rty开头的输入音频，你可以在下面选择对应的模型来获取更好的合成效果。如果你选择的是别的语音，选择作者提供的模型可能效果会更好。
3. 关于【Vocoder】即声码器的选择可以先使用g_hifigan来快速合成音频听效果，如果效果还可以则可以选择pretrained获取更慢但更好的效果。
4. 合成音频分为两步，一是声学模型合成梅尔图，你可以点击【Synthesize only】来进行合成，如果你合成的梅尔图效果比较清晰，则可以继续下一步，如果不清晰则可以尝试多合成几次。第二步是合成音频，你可以点击【Vocode only】来进行合成，当你想更换声码器时你可以在更换后点击【Vocode only】避免重复合成梅尔图。【Synthesize and Vocode】则是同时进行这两步。
5. 合成完毕后左下角【Toolbox Output】位置会出现新的音频，你合成过的音频都会放在这里，你可以选择【Replay】重听，或点击【Export】导出。下面的【Audio Output】可以选择播放的音频设备右侧的其它选项：
   【Random seed】：可能是固定每次合成中的随机种子。
   【Enhance vocoder output】：自动裁剪输入音频中的非语音部分以获得更好的模仿效果。【Style/Accuracy】：不知道（可以问问作者）
   【最大句长】：拉满，不然合成长句的时候可能会有截断的现象。

其他：

1. 更换声学模型或声码器等情况下点击合成，可能会有窗口布局改变且合成失败的情况，再次点击合成即可。
2. 当出现颤音的时候重新运行声码器基本都能解决

工具箱｜VC模式

首先选择/上传/录制 两条音频，在【当前】中选择一条点击【选择为被转换的语音输入】，然后在【当前】中选择另一条，然后不要点【选择为被转换的语音输入】。然后再点击【Extract and Convert】此时程序将尝试用之后选择音频的音色来读之前选择音频的内容。

WEB程序

双击运行web程序，然后复制给出的地址，粘贴到浏览器里（如果不能访问请尝试访问127.0.0.1:8080）。然后游玩顺序就和工具箱基本一致了，在左侧切换模式，右侧的工作区可以上传音频/使用示例音频进行合成.

其他细节

• 环境中安装的是CPU版本的Pytorch，只能用于合成，不能用于训练，如果你想训练需要自己安装GPU版本的Pytorch，以及Cuda Cudnn这些环境，你需要更深入的知识。
• 如果你需要安装其他包，你可以运行文件夹中的【命令行】 然后使用python -m pip代替原本的 pip 命令进行安装。
• 关于C++编译环境，之所以需要这个是因为目前有些包中包含C语言源码，需要编译才能安装，我已经将唯一一个需要编译的包 ctc_segmentation 编译完后打包放在了lib下，然后已经安装完成，如果以后还有这种问题可以用类似的方式解决，找个有编译环境的人给你打个编译完的包。
• 关于重新获取项目：你可能需要备份所有位置下的.pt文件 然后删除源MockingBird文件夹，双击【获取项目】重新从github上克隆项目。
• 关于更新项目：双击【更新项目】
• 关于github访问失败：可能偶现出现，可以反复尝试点击“重试”按钮，或者可以尝试使用手机流量热点共享网络给电脑，该方式可以大概率解决该问题。
• 其他模型：在github项目的issue里，有其他网友分享的模型，下载后把pt文件放在 MockingBird\synthesizer\saved_models下即可。
• 关于MockingBird和PaddleSpeech：这两者其实不是一个赛道上的产品，但是恰巧都能实现语音克隆的功能，我个人觉得还是paddlespeech的小样本微调更有实践价值，MockingBird因为作者很忙等原因，目前的开发进度很缓慢，而且最重要的是搞不到其他开源的数据集可供使用，理论上如果数据集无限供应的话MB的效果起码会和PS一样好。而且PS这边的TTS全职开发者数量高达两个，已经高出了MB这边百分之百，这是何等巨大的优势（雾）。PS的数据标注，预处理，微调训练也已完成了自动化操作，简化了许多人力。建议有语音克隆需求的小伙伴在双方都尝试一下，寻找适合自的解决方案。