前言

1.PaddleSpeech 是一个简单易用的all-in-one 的语音工具箱，支持语音处理的相关操作，如语音知别，语音合成，声纹识别，声音分类，语音翻译，语音唤醒等多个方向的应用开发。

这里只使用到语音合成与声音克隆，主要由文本前端（Text Frontend） 、声学模型（Acoustic Model） 和 声码器（Vocoder） 三个主要模块，模块工作流程如下：

• 通过文本前端模块将原始文本转换为字符/音素。
• 通过声学模型将字符/音素转换为声学特征，如线性频谱图、mel 频谱图、LPC 特征等。
• 通过声码器将声学特征转换为波形。

2.要完成整个项目，大致可以分以下几个步骤：

• 语音数据收集，处理。
• 语音合成与克隆模型微调。
• 模型离线应用部署。

数据集制作

1.如果想训练自己的声音，可以使用录音设备录制自己的声音，发声中英都可以，录制的环境尽量没有杂音，录制时长越多越好。

2.如果使用网络上的声音数据，那么视频与音频都可以。

3.我这里演示使用的是B站上的一个UP主的语音，我剪切大概10段5分钟以上的视频，因为视频的声音带着背景音乐，为了训练效果，这里要去掉背景音乐。去掉背景音乐有很多种方法，专业的做语音处理的人喜欢用Adobe Audition来处理，但学起来太麻烦了。这里可以借助深度学习的魔法来去掉背景音乐。

 Ultimate Vocal Remover是一款超好用的伴奏人声提取工具，安装完成之后就可以使用UVR来分离伴奏与人声了，使用说明如下：

基本选项（不是深度使用者一般都只用到这几个功能） 

 VR Architecture 选项

MDX-Net 选项

Demucs v3 选项

 Ensemble Mode 合奏选项

 Manual Ensemble 手动合奏

4.去掉背景音乐后，就要把音频剪切成2秒到10秒长度（不能超过10秒）的音频段。音频剪切标注则使用Adobe Audition来处理。安装完Adobe Audition之后，使用Adobe Audition打开准备好的视频或者音频文件，然后对着文件名点击—>插入到多轨混音中—>新建多轨会话，如果下图：

 给要编辑的项目起个名：

之后Adobe Audition界面的刀片就可以使用了，做切片的时候，切开的部分尽量是没有语音的部分，就是没有声波的部分，如果有很长一段没有声波，就切出来删除掉。做切片时要注意不能小于2秒不能大于10秒。

 切完整个音频之后 ，把每个音频段拖动到单独的音轨里面，不用的片断则删除就行：、

 然后选中所有剪切的片断（Ctrl+A）,点击文件—>导出—>所有编辑

在导出界面把采样类型改成24000Hz，导出全部文件：

 导出音频片断，保存的文件名有中文，要改成英文或者数字文件名。

相关软件下载

1.声音片断剪切软件下载：

https://download.csdn.net/download/matt45m/88033209

2.伴奏人声提取工具下载：

https://download.csdn.net/download/matt45m/88033228