sound_dataset_tools2

sound_dataset_tools2

多功能语音数据集制作工具

sound_dataset_tools2是一款语音数据集制作工具。它具有GUI界面,支持音频+字幕和纯音频自动切割两种数据导入方式。该工具优化音频切割效果,减少断音问题,可导出符合VITS等项目要求的数据集格式。它还包含语音评测功能,有助于从大量数据中筛选出高质量数据集。此工具适用于需要创建语音数据集的研究人员和爱好者。

sound_dataset_tools2语音数据集音频处理GUI界面VITSGithub开源项目

语音数据集工具2

简介

这是一个用于快速制作语音数据集的工具,可以一键导出VITS等项目所需的训练数据集

注意:您正在查看项目的r1.0分支,该分支将停止更新新功能,仅作维护和存档用途,未来项目经过重构后将以r2.0分支为主

特点:

图形用户界面!

中文文档

支持两种数据导入方式:音频+字幕和纯音频自动切割(未来会增加更多)

自动优化音频切割效果,(尽量)避免出现断音

可直接导出符合VITS等项目要求的数据集格式,可设置声道数和采样率

引入语音评测功能,通过为数据打分可以快速从海量数据中筛选出高质量数据集

软件架构

数据库:sqlite、peewee

界面:PySide6

音频处理:FFMPEG、pydub等

安装指南

运行编译好的exe文件

访问GitHub的Release页面或Gitee的发行版页面,根据提示下载相应的压缩包,双击即可启动程序

从源代码运行

  1. 克隆本项目

    Gitee:

    git clone https://gitee.com/kslizi/sound_dataset_tools2.git
    

    GitHub:

    git clone https://github.com/kslz/sound_dataset_tools2.git
    
  2. 安装ffmpeg

    您可以通过配置环境变量,也可以将下载的ffmpeg压缩包解压后,在exe根目录下新建lib文件夹,将解压得到的bin文件夹改名为ffmpeg,然后复制到lib目录下。最终的目录结构如图所示

    image-20230306190922062

  3. 安装其他库

    pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
    

使用说明

运行项目

python main.py

选择工作区

image-20230306191102551

如果当前目录空间不足,可以指定其他目录。导入的文件、数据库、生成的数据集都会存放在指定目录中

数据集选择界面

您可以在这里添加、修改、删除数据集。每个数据集之间互相独立。点击"进入"按钮,进入数据集。

image-20230306191345259

数据集概览界面

在此您可以对数据进行导入、导出、处理等操作

image-20230306191504981

导入数据

注意:所有导入数据的方式都经过了自动优化,关于自动优化的具体逻辑请参见文末。

从文件导入(音频+字幕)

点击按钮,在弹窗中选择预先处理好的音频和字幕文件,支持视频文件和几乎所有(ffmpeg支持的)格式的音频文件导入,同时请输入发音人。关于字幕的获取请参见文末。

image-20230306191737405

导入后的界面如图所示,您可以在左侧的下拉框中选择翻页,也可以点击试听音频段

image-20230325203520340

点击快速导出后会将当前音频导出至 .\workspace\output\fastoutput\ 目录下

从文件导入(长音频)

点击按钮,在弹窗中选择预先处理好的音频文件,支持视频文件和几乎所有(ffmpeg支持的)格式的音频文件导入,同时请输入合适的发音人、最短静音长度、静音阈值信息

最短静音长度:当静音长度达到这个数值时进行一次裁切

静音阈值:当音频响度低于这个数值时则视为静音,如果您的音频底噪很低,可以适当调低此值获得更好的结果,反之则提高。

image-20230306192153819

导入后的界面如图所示,需要注意的是因为只有短音频,所以裁切出的音频段没有标注文本,将在未来引入语音识别以进行自动标注。

image-20230306192556509

删除数据

根据源音频删除数据

点击按钮后选择一个当前数据集中数据对应的音频,点击确定后音频本身和相关联的数据都会被删除

image-20230306192718584

导出数据

导出数据集(单发音人)

After clicking the button, select parameters. You can also choose a corresponding preset and click the apply button to apply it. If you don't understand the meaning of these values, you can use the default settings.

Note:

Normalization: This refers to loudness matching, which will automatically scale the audio volume according to the input value.

In the current export logic, data containing English or numbers in the annotation text will be skipped. However, if the annotation text is empty, it will still be exported.

Click next to proceed with the dataset export. The window may freeze for a moment, please wait patiently.

[图片]

[图片]

The exported files can be found in the corresponding directory.

[图片]

Speech Evaluation

The speech evaluation function can score sentences through commercial evaluation interfaces to quickly select high-quality data.

Currently, the Tanbei speech evaluation interface has been integrated.

Tanbei Speech Evaluation
Add Authorization Information

First, go to the Software Settings - Authorization Management page, click the add button, enter the name and other fields, and select Speech Evaluation for the application type.

[图片]

For Tanbei-related fields, please go to the Tanbei Open Platform - Speech Evaluation page to activate the service and view (currently in free trial period, hurry if you want to use it for free).

[图片]

After adding, it will automatically verify. Please turn off the proxy program during this process.

Perform Data Evaluation

Then go to the data processing page, click on Tanbei Speech Evaluation, select the corresponding authorization information to start the evaluation.

[图片]

[图片]

Export Based on Evaluation Results

Return to the dataset overview page, click the export button, select Tanbei Evaluation in the evaluation-related section, and fill in the corresponding score requirements.

[图片]

Note: If evaluation is selected, data that has not been evaluated will not be exported. Also, since Tanbei evaluation only supports Chinese, all English data will not be exported after selection.

Click next, confirm, and then start exporting.

[图片]

[图片]

Additionally: Export results when evaluation is not selected

[图片]

Development Plan

Compile exe version

Annotation through ASR

Apply speech evaluation

Apply voice print recognition

Export multi-speaker dataset

Quick export

......

Common Questions

  1. How to get subtitles?

    Use tools like Jianying or VideoSRT to get SRT subtitle files. You can refer to the following links:

    Export subtitles from Jianying

    video-srt-windows

    videosrt-pro

  2. What's the logic of automatic optimization?

    The optimization logic is to cut 10ms from the start position forward, compare the loudness of this 10ms with the segment from start to start+10, if the loudness before is smaller, move the start forward, until finding a position with the smallest loudness. The end follows a similar logic. This can avoid audio being cut off as much as possible.

    Also, subtitles generated by Jianying sometimes split one sentence into multiple sentences, with intervals within 33 milliseconds between each sentence. When encountering this situation, the program will combine these subtitles into one sentence.

  3. How to upgrade the exe version?

    After downloading the new compressed package, replace the exe file in it with the old version software in the same path, overwriting the original file.

  4. To be continued...

编辑推荐精选

Keevx

Keevx

AI数字人视频创作平台

Keevx 一款开箱即用的AI数字人视频创作平台,广泛适用于电商广告、企业培训与社媒宣传,让全球企业与个人创作者无需拍摄剪辑,就能快速生成多语言、高质量的专业视频。

即梦AI

即梦AI

一站式AI创作平台

提供 AI 驱动的图片、视频生成及数字人等功能,助力创意创作

扣子-AI办公

扣子-AI办公

AI办公助手,复杂任务高效处理

AI办公助手,复杂任务高效处理。办公效率低?扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作,覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应,生活工作无缝切换,提升50%效率!

TRAE编程

TRAE编程

AI辅助编程,代码自动修复

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
蛙蛙写作

蛙蛙写作

AI小说写作助手,一站式润色、改写、扩写

蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。

AI辅助写作AI工具蛙蛙写作AI写作工具学术助手办公助手营销助手AI助手
问小白

问小白

全能AI智能助手,随时解答生活与工作的多样问题

问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。

热门AI助手AI对话AI工具聊天机器人
Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

下拉加载更多