AI歌姬,C位出道,基于PaddleHub/Diffsinger实现音频歌声合成操作(Python3.10)

懂乐理的音乐专业人士可以通过写乐谱并通过乐器演奏来展示他们的音乐创意和构思，但不识谱的素人如果也想跨界玩儿音乐，那么门槛儿就有点高了。但随着人工智能技术的快速迭代，现在任何一个人都可以成为“创作型歌手”，即自主创作并且让AI进行演唱，极大地降低了音乐制作的门槛。

本次我们基于PaddleHub和Diffsinger实现音频歌声合成操作，魔改歌曲《学猫叫》。

配置PaddleHub

首先确保本地就已经安装好了百度的PaddlePaddle深度学习框架，随后输入命令安装PaddleHub库：

pip install paddlehub@2.4.0

PaddleHub是基于PaddlePaddle生态下的预训练模型，旨在为开发者提供丰富的、高质量的、直接可用的预训练模型，也就是说语音模型我们不需要单独训练，直接使用paddlehub提供的模型进行推理即可，注意这里版本为最新的2.4.0。

安装成功之后，配置环境变量：

由于PaddleHub会把音色模型下载到本地，如果不配置环境变量，默认会下载到系统的C盘，所以这里单独设置为E盘。

随后需要将Win11的cmd编码设置为utf-8：

首先找到设置页面  
搜索地区，并点击更改国家或地区  
选择管理语言设置  
选择更改系统区域设置  
勾选Beta版: 使用Unicode UTF-8 提供全球语言支持，重启生效。

如果不设置utf-8编码，PaddleHub会因为乱码问题报错。

接着安装diffsinger:

hub install diffsinger

随后在终端运行代码：

import paddlehub as hub  
  
module = hub.Module(name="diffsinger")

这里指定diffsinger的模型库，程序返回：

C:\Program Files\Python310\lib\site-packages\_distutils_hack\__init__.py:33: UserWarning: Setuptools is replacing distutils.  
  warnings.warn("Setuptools is replacing distutils.")  
| Hparams chains:  ['configs/config_base.yaml', 'configs/tts/base.yaml', 'configs/tts/fs2.yaml', 'configs/tts/base_zh.yaml', 'configs/singing/base.yaml', 'usr\\configs\\base.yaml', 'usr/configs/popcs_ds_beta6.yaml', 'usr/configs/midi/cascade/opencs/opencpop_statis.yaml', 'model\\config.yaml']  
| Hparams:   
K_step: 100, accumulate_grad_batches: 1, audio_num_mel_bins: 80, audio_sample_rate: 24000, base_config: ['usr/configs/popcs_ds_beta6.yaml', 'usr/configs/midi/cascade/opencs/opencpop_statis.yaml'],   
binarization_args: {'shuffle': False, 'with_txt': True, 'with_wav': True, 'with_align': True, 'with_spk_embed': False, 'with_f0': True, 'with_f0cwt': True}, binarizer_cls: data_gen.singing.binarize.OpencpopBinarizer, binary_data_dir: data/binary/opencpop-midi-dp, check_val_every_n_epoch: 10, clip_grad_norm: 1,   
content_cond_steps: [], cwt_add_f0_loss: False, cwt_hidden_size: 128, cwt_layers: 2, cwt_loss: l1,   
cwt_std_scale: 0.8, datasets: ['popcs'], debug: False, dec_ffn_kernel_size: 9, dec_layers: 4,   
decay_steps: 50000, decoder_type: fft, dict_dir: , diff_decoder_type: wavenet, diff_loss_type: l1,   
dilation_cycle_length: 4, dropout: 0.1, ds_workers: 4, dur_enc_hidden_stride_kernel: ['0,2,3', '0,2,3', '0,1,3'], dur_loss: mse,   
dur_predictor_kernel: 3, dur_predictor_layers: 5, enc_ffn_kernel_size: 9, enc_layers: 4, encoder_K: 8,   
encoder_type: fft, endless_ds: True, ffn_act: gelu, ffn_padding: SAME, fft_size: 512,   
fmax: 12000, fmin: 30, fs2_ckpt: , gaussian_start: True, gen_dir_name: ,   
gen_tgt_spk_id: -1, hidden_size: 256, hop_size: 128, infer: False, keep_bins: 80,   
lambda_commit: 0.25, lambda_energy: 0.0, lambda_f0: 0.0, lambda_ph_dur: 1.0, lambda_sent_dur: 1.0,   
lambda_uv: 0.0, lambda_word_dur: 1.0, load_ckpt: , log_interval: 100, loud_norm: False,   
lr: 0.001, max_beta: 0.06, max_epochs: 1000, max_eval_sentences: 1, max_eval_tokens: 60000,   
max_frames: 8000, max_input_tokens: 1550, max_sentences: 48, max_tokens: 40000, max_updates: 160000,   
mel_loss: ssim:0.5|l1:0.5, mel_vmax: 1.5, mel_vmin: -6.0, min_level_db: -120, norm_type: gn,   
num_ckpt_keep: 3, num_heads: 2, num_sanity_val_steps: 1, num_spk: 1, num_test_samples: 0,  
num_valid_plots: 10, optimizer_adam_beta1: 0.9, optimizer_adam_beta2: 0.98, out_wav_norm: False, pe_ckpt: checkpoints/0102_xiaoma_pe,  
pe_enable: True, pitch_ar: False, pitch_enc_hidden_stride_kernel: ['0,2,5', '0,2,5', '0,2,5'], pitch_extractor: parselmouth, pitch_loss: l1,  
pitch_norm: log, pitch_type: frame, pre_align_args: {'use_tone': False, 'forced_align': 'mfa', 'use_sox': True, 'txt_processor': 'zh_g2pM', 'allow_no_txt': False, 'denoise': False}, pre_align_cls: data_gen.singing.pre_align.SingingPreAlign, predictor_dropout: 0.5,  
predictor_grad: 0.1, predictor_hidden: -1, predictor_kernel: 5, predictor_layers: 5, prenet_dropout: 0.5,  
prenet_hidden_size: 256, pretrain_fs_ckpt: , processed_data_dir: data/processed/popcs, profile_infer: False, raw_data_dir: data/raw/popcs,  
ref_norm_layer: bn, rel_pos: True, reset_phone_dict: True, residual_channels: 256, residual_layers: 20,  
save_best: False, save_ckpt: True, save_codes: ['configs', 'modules', 'tasks', 'utils', 'usr'], save_f0: True, save_gt: False,  
schedule_type: linear, seed: 1234, sort_by_len: True, spec_max: [-0.79453, -0.81116, -0.61631, -0.30679, -0.13863, -0.050652, -0.11563, -0.10679, -0.091068, -0.062174, -0.075302, -0.072217, -0.063815, -0.073299, 0.007361, -0.072508, -0.050234, -0.16534, -0.26928, -0.20782, -0.20823, -0.11702, -0.070128, -0.065868, -0.012675, 0.0015121, -0.089902, -0.21392, -0.23789, -0.28922, -0.30405, -0.23029, -0.22088, -0.21542, -0.29367, -0.30137, -0.38281, -0.4359, -0.28681, -0.46855, -0.57485, -0.47022, -0.54266, -0.44848, -0.6412, -0.687, -0.6486, -0.76436, -0.49971, -0.71068, -0.69724, -0.61487, -0.55843, -0.69773, -0.57502, -0.70919, -0.82431, -0.84213, -0.90431, -0.8284, -0.77945, -0.82758, -0.87699, -1.0532, -1.0766, -1.1198, -1.0185, -0.98983, -1.0001, -1.0756, -1.0024, -1.0304, -1.0579, -1.0188, -1.05, -1.0842, -1.0923, -1.1223, -1.2381, -1.6467], spec_min: [-6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0],  
spk_cond_steps: [], stop_token_weight: 5.0, task_cls: usr.diffsinger_task.DiffSingerMIDITask, test_ids: [], test_input_dir: ,  
test_num: 0, test_prefixes: ['popcs-说散就散', 'popcs-隐形的翅膀'], test_set_name: test, timesteps: 100, train_set_name: train,  
use_denoise: False, use_energy_embed: False, use_gt_dur: False, use_gt_f0: False, use_midi: True,  
use_nsf: True, use_pitch_embed: False, use_pos_embed: True, use_spk_embed: False, use_spk_id: False,  
use_split_spk_id: False, use_uv: True, use_var_enc: False, val_check_interval: 2000, valid_num: 0,  
valid_set_name: valid, validate: False, vocoder: vocoders.hifigan.HifiGAN, vocoder_ckpt: checkpoints/0109_hifigan_bigpopcs_hop128, warmup_updates: 2000,  
wav2spec_eps: 1e-6, weight_decay: 0, win_size: 512, work_dir: ,  
Using these as onnxruntime providers: ['CPUExecutionProvider']

说明PaddleHub已经配置好了，执行过程中预训练模型会被下载到E盘。

Diffsinger模型推理

DiffSinger是一个基于扩散概率模型的 SVS 声学模型，一个参数化的马尔科夫链，它可以根据乐谱的条件，迭代地将噪声转换为旋律谱。

推理之前，安装推理加速模块：

pip install onnxruntime

通过隐式优化变异约束，DiffSinger 可以被稳定地训练并产生真实的输出。

这里通过内置的singing_voice_synthesis方法：

singing_voice_synthesis(inputs: Dict[str, str],sample_num: int = 1,  
save_audio: bool = True,save_dir: str = 'outputs')

参数含义是：

1. inputs (Dict[str, str]): 输入歌词数据。  
2. sample_num (int): 生成音频的数量。  
3. save_audio (bool): 是否保存音频文件。  
4.save_dir (str): 保存处理结果的文件目录。

在官方文档中:

https://github.com/MoonInTheRiver/DiffSinger/blob/master/docs/README-SVS-opencpop-cascade.md

作者给出了一段示例代码：

results = module.singing_voice_synthesis(  
  inputs={  
    'text': '小酒窝长睫毛AP是你最美的记号',  
    'notes': 'C#4/Db4 | F#4/Gb4 | G#4/Ab4 | A#4/Bb4 F#4/Gb4 | F#4/Gb4 C#4/Db4 | C#4/Db4 | rest | C#4/Db4 | A#4/Bb4 | G#4/Ab4 | A#4/Bb4 | G#4/Ab4 | F4 | C#4/Db4',  
    'notes_duration': '0.407140 | 0.376190 | 0.242180 | 0.509550 0.183420 | 0.315400 0.235020 | 0.361660 | 0.223070 | 0.377270 | 0.340550 | 0.299620 | 0.344510 | 0.283770 | 0.323390 | 0.360340',  
    'input_type': 'word'  
  },  
  sample_num=1,  
  save_audio=True,  
  save_dir='outputs'  
)  
# text：歌词文本  
# notes：音名  
# notes_duration：音符时值（时长）  
# input_type：输入类型（文本）

示例中使用的是林俊杰的歌曲《小酒窝》。

这里，最核心的逻辑是inputs的notes参数，也就是乐谱中的音名，而notes_duration参数则是该音名的持续时长。

音名对照参照：

1                   A0          6L4          A2          大字2组        27.5  
 2                   A#0        #6L4        A#2                          29.1353  
 3                   B0          7L4          B2                            30.8677  
  
 4        1         C1          1L3          C1          大字1组        32.7032  
 5        2         C#1        #1L3        C#1                         34.6479  
 6        3         D1          2L3          D1                           36.7081  
 7        4         D#1        #2L3        D#1                        38.8909  
 8        5         E1          3L3           E1                           41.2035  
 9        6         F1          4L3           F1                           43.6536  
10       7         F#1        #4L3         F#1                         46.2493  
11       8         G1          5L3          G1                           48.9995  
12       9         G#1        #5L3        G#1                         51.913  
13       10        A1          6L3           A1                           55   
14       11        A#1       #6L3          A#1                        58.2705  
15       12        B1          7L3           B1                           61.7354    
  
16       13        C2         1L2            C          大字组         65.4064  
17       14        C#2       #1L2         #C                          69.2957  
18       15        D2         2L2            D                           73.4162  
19       16        D#2       #2L2         #D                         77.7817  
20       17        E2         3L2            E                           82.4069  
21       18        F2         4L2            F                            87.3071  
22       19        F#2       #4L2         #F                          92.4986  
23       20        G2         5L2           G                           97.9989  
24       21        G#2      #5L2         #G                         103.826  
25       22        A2         6L2           A                           110  
26       23        A#2       #6L2        #A                          116.541  
27       24        B2         7L2           B                           123.471  
  
28       25        C3         1L1           c         小字组          130.813  
29       26        C#3      #1L1         #c                          138.591  
30       27        D3         2L1           d                           146.832  
31       28        D#3      #2L1         #d                         155.563  
32       29        E3          3L1          e                           164.814  
33       30        F3          4L1          f                            174.614  
34       31        F#3       #4L1        #f                           184.997  
35       32        G3         5L1           g                           195.998  
36       33        G#3      #5L1         #g                          207.652  
37       34        A3          6L1          a                            220  
38       35        A#3       #6L1        #a                          233.082  
39       36        B3         7L1           b                            246.942  
  
40       37        C4          1             c1     小字1组(中央C)   261.626  
41       38        C#4       #1           c#1                           277.183  
42       39        D4         2              d1                            293.665  
43       40        D#4       #2           d#1                          311.127  
44       41        E4         3               e1                           329.628  
45       42        F4         4               f1                            349.228  
46       43        F#4       #4            f#1                          369.994  
47       44        G4         5              g1                           391.995  
48       45        G#4      #5            g#1                         415.305  
49       46        A4         6              a1     (国际标准A音)    440  
50       47        A#4      #6            a#1                          466.164  
51       48        B4         7              b1                           493.883   
  
52       49        C5        1H1           c2       小字2组          523.251  
53       50        C#5     #1H1          c#2                        554.365  
54       51        D5        2H1           d2                          587.33  
55       52        D#5     #2H1         d#2                        622.254  
56       53        E5        3H1           e2                          659.255  
57       54        F5        4H1           f2                           698.456  
58       55        F#5      #4H1         f#2                        739.989  
59       56        G5        5H1          g2                          783.991  
60       57        G#5      #5H1        g#2                       830.609  
61       58        A5         6H1          a2                         880  
62       59        A#5      #6H1        a#2                       932.328  
63       60        B5         7H1          b2                        987.767  
  
64       61        C6         1H2          c3       小字3组      1046.5  
65       62        C#6      #1H2        c#3                      1108.73  
66       63        D6         2H2          d3                        1174.66   
67       64        D#6      #2H2        d#3                      1244.51  
68       65        E6         3H2          e3                        1318.51  
69       66        F6         4H2           f3                        1396.91  
70       67        F#6      #4H2         f#3                      1479.98  
71       68        G6         5H2          g3                       1567.98  
72       69        G#6      #5H2         g#3                    1661.22  
73       70        A6         6H2          a3                       1760  
74       71        A#6      #6H2         a#3                     1864.66  
75       72        B6         7H2           b3                      1975.53  
  
76       73        C7         1H3           c4       小字4组     2093  
77       74        C#7      #1H3         c#4                     2217.46  
78       75        D7          2H3          d4                      2349.32  
79       76        D#7      #2H3         d#4                    2489.02  
80       77        E7          3H3          e4                      2637.02  
81       78        F7          4H3          f4                       2793.83  
82       79        F#7       #4H3         f#4                    2959.96  
83       80        G7          5H3          g4                     3135.96  
84       81        G#7      #5H3         g#4                    3322.44  
85       82        A7          6H3          a4                      3520  
86       83        A#7      #6H3         a#4                    3729.31  
87       84        B7          7H3          b4                      3951.07  
  
88                   C8         1H4           c5     小字5组       4186.01

说白了，就是按照简谱的键位转换为音名。

以旋律相对简单的《学猫叫》为例子：

C’ D’ E’ G C’ E’ E’ D’ C’D’ G’ G’G’ G’ C’ B C’ C’ C’ C’ C’ B C’ B C’ B A G  
我们一起学猫叫 一起喵喵喵喵喵 在你面前撒个娇 哎呦喵喵喵喵喵  
 F C Dm G  
G G A A A A A G E G E G D’ C’ G E’ E’ E’ F’ G’ C’ C’ E’ D’  
我的心脏砰砰跳 迷恋上你的坏笑 你不说爱我 我就喵喵喵

它的前七个音符分别对应CDEGCEE，对应代码：

results = module.singing_voice_synthesis(  
  inputs={  
    'text': '我们一起学猫叫',  
    'notes': 'D#3 | E3 | E5 | G4 | C5 | E5 | E5',  
    'notes_duration': '0.407140 | 0.307140 | 0.307140 | 0.307140 | 0.307140  | 0.307140 | 0.307140 '  ,  
    'input_type': 'word'  
  },  
  sample_num=1,  
  save_audio=True,  
  save_dir='./outputs'  
)

这里推理的音频存储在outputs文件夹内。