win10安装python3.2.7（Windows 10 python 3.9安装运行Mockingbird–拎包入住功略）
首先说明一下 ，什么是拎包入住 。这是因为本人python不精通 ，机器学习等AI也只是只其然不知其所以然 ，一句话就是：我只有照搬现成ai库使用 ，没有调整算法和优化模型的能力 ，所以只能用别人创建好的代码使用 ，就象建好的房子我直接住一样:-) 。感谢github和开源社区的大牛们 。
mockingbird是一个AI模拟声音的开源python库 ，可以用你自己的录音或音频文件 ，在其预置的模型支持下 ，生成模拟录音者的声音 。关于mockingbird的介绍请参考gighub里的这篇文章 。MockingBird/README-CN.md at main · babysor/MockingBird · GitHub
或者：这篇文章https://gitee.com/Dwesome/MockingBird提前说明：文章中很多windows命令行指令 ，我都在其前面加了conda环境名和目录名 ，目的是要指名相应的指令需要在什么样的conda环境和目录中执行 ，减少文字说明的模糊性 。
一 、windows10下python环境的准备
在安装mockingbird之前 ，需要准备python环境 ，由于pip search RPC功能被永入关闭 ，所以安装一个conda来管理虚拟环境还是有必要的 。我这里选择的是Miniconda 。
1 、首先为mocingbird准备一个3.9环境 ，3.7我试了不行 。3.10网上有人反馈也不行 ，是否是这样大家自己验证 。但做为搬家者 ，最喜欢的方式还是“拎包入住 ” ，建议大家还是先用3.9搭一个能用的再试别的吧 。
我的miniconda安装在E:\miniconda之下 ，一般新建的envs也就在此目录的E:\miniconda\envs之下 。
创建新环境：
conda create -n mockingbrid python=3.9请使用下面的指令 ，查看地一下自己的conda环境设置 ，这对了解你电脑上conda和pip配置环境有帮助 。
conda info -a pip config list -v2 、关于conda包的缓存和PIP包的缓存位置
由于conda 和PIP都有喜欢在%appdata%下保存缓存包的恶习 ，所以 ，在安装大型AI训练模型时 ，建议我们把pkgs缓存的位置挪到空间比较充裕的硬盘分区去 。conda的包缓存和虚拟环境目录更改 ，需要编辑电脑上%homedirve%%homepath%下的".condarc"文件 。
我的这个文件位置如下：
c:\user\admin\.condarc我的.condarc的内容如下 ，可以先备份你自己的原文件 ，然后将下面内容贴进.condarc
channels: - defaults show_channel_urls: true default_channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/ custom_channels: conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud envs_dirs: - E:\MiniConda3\envs - C:\Users\admin\AppData\Local\conda\conda\envs - C:\Users\admin\.conda\envs - C:\ProgramData\Anaconda\Miniconda3\envs pkgs_dirs: - E:\MiniConda3\pkgs - F:\Miniconda\CondaPkg - C:\Users\admin\AppData\Local\conda\conda\pkgs - C:\Users\admin\.conda - C:\ProgramData\Anaconda\Miniconda3\pkgspip的缓存包位置更改：我将位置搬到了E:\PythonTools\pip\pipcache 。
pip config set global.cache-dir "E:\PythonTools\pip\pipcache" pip config set global.index-url "https://pypi.tuna.tsinghua.edu.cn/simple" pip config set install.trusted-host "pypi.tuna.tsinghua.edu.cn"二 、按步就班安装mockingboid
1 、首先下载github最新版本的mockingbird的master包
https://github.com/babysor/MockingBird/archive/refs/heads/main.zip 。注意 ，这个包gitee.com上的版本有可能和github.com上的版本并不完全同步 ，所以 ，还是直接去github.com上去下载 。
将下载的main.zip文件解压到一个单独的目录 ，我是解压到conda的虚拟环境里 ，解压缩后文件目录为：
E:\MiniConda3\envs\mockingbird\MockingBird-main2 、安装pytorch
这里要注意 ，pytorch有两个版本cpu版和cuda版 。cuda版是在你的计算机上安装了nvida支持cuda功能显卡的情况下 ，可以使用的版本 ，这是利用gpu浮点运算能力加速模型训练的版本 。据我自己这台笔记本电脑的配置而言 ，cuda的训练整是cpu的3－4倍 ，网上有人说10倍 ，这是nvida显卡型号和显存大小相关的 。
打开pytorch网站：Start Locally | PyTorch ，选择你需要的pytorch版本 ，然后复制本文图片中用红框标记的conda安装命令 。
想要看看自己的电脑上有没有支持cuda的显卡 ，可以在windows命令行中运行下述使命：
nvidia-smi这个命令运行成功 ，且显示如下相似结果 ，说明你的机器上有支持cuda的显卡 。如果没有成功 ，则有两个可能 ，一是没有安装nvidia显卡的cuda驱动 ，二是显卡不支持cuda 。
注意cuda version 11.8 ，这个在选择后pytorch的cuda版本时要用到 。
现在 ，进入先前已经创建的mockingbird环境 ，运行从pytorch网站上复制的conda安装命令 。
(base) C:\Users\admin>conda activate mockingbird (mockingbird) C:\Users\admin>conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia注意 ，pytorch网站上截止本文发搞之日 ，pytorch cuda版本支持11.7 。而nvidia显卡的cuda驱动已经升级到11.8 。没关系 ，下载这个就行！
这里着重要说明一件事 ，如果你使用了清华的conda和pip镜像 ，则cuda版本下载不会成功 ，或者下载的是cpu版本 。这时候 ，我的方法是直接下载pytorch上的cuda安装包到本地目录 ，比如e:\cudatmp ,下载地址为：https://download.pytorch.org/whl/cu117/torch-1.13.0%2Bcu117-cp39-cp39-win_amd64.whl
在完成上述命令行安装的基础上 ，使用pip安装wheel包：
pip install e:\cudatmp\torch-1.13.0+cu117-cp39-cp39-win_amd64.whl3 、安装ffmpeg
下载图中标记链接下的ffmpeg ，解压缩到一个独立文件夹 ，并且加此文件夹加入到windows环境变变量PATH之中 。并确保在命令行中输入ffmpeg命令后 ，显示正确：
4 、安装mockingbird
在conda的mockingbird环境中 ，进入已经下载被解压缩的mockingbird目录 ，也就是第1步中解压缩后的目录 ，我的目录是E:\MiniConda3\envs\mockingbird\MockingBird-main ，然后输入以下命令安装依赖包：
(mockingbird) E:\MiniConda3\envs\mockingbird\MockingBird-main>pip install -r requirements.txt5 、安装 webrtcvad
(mockingbird) E:\MiniConda3\envs\mockingbird>pip install webrtcvad-wheels三 、安装社区预先训练好的合成器
使用预先训练好的合成器 ，可以让拎包入驻者尽快感受语音模拟的乐趣 ，并且给你的朋友一个惊喜 。
我建议下载 https://pan.baidu.com/s/1iONvRxmkI-t1nHqxKytY3g 百度盘链接 4j5d 以及
https://pan.baidu.com/s/1PI-hM3sn5wbeChRryX-RCQ 提取码：2021
这两个文件包加起来超过1.3G ，为了下载这两个文件 ，我忍痛开了一个月的“喂挨劈 ”...
将下载下来的的pretrained-11-7-21_75k.pt 复制到 conda环境中 \MockingBird-main\synthesizer\saved_models目录中 。我的位置如下 。
E:\MiniConda3\envs\mockingbird\MockingBird-main\synthesizer\saved_models>将下载的“Realtime-Voice-Clone-Chinese训练模型 ”文件夹中vcoder 、encoder 、synthesizer子目录中的文件复制到conda环境中 \MockingBird-main的对应文件夹中 ，我的目录分别如下：
(mockingbird) E:\MiniConda3\envs\mockingbird\MockingBird-main\vocoder> (mockingbird) E:\MiniConda3\envs\mockingbird\MockingBird-main\synthesizer> (mockingbird) E:\MiniConda3\envs\mockingbird\MockingBird-main\encoder>四 、CUDA驱动下载
如果计算机上有支持cuda的显卡 ，则还需要下载不低于cuda11.7版本的驱动程序 ，网址：CUDA Toolkit 11.8 Downloads | NVIDIA Developer ，当前版本为11.8 ，下载它没有问题 ，下载地址：
https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_522.06_windows.exe这个文件包中包含显卡的最新驱动程序和cuda11.8支撑库 ，在安装过程中最好选自义安装 ，将安装位置调整到除C分区之外的分区 ，另外如果不需要visual studio支持 ，可以在选项中去掉 。五 、运行测试环境
1 、运行demo_toolbox.py
这个文件在conda环境中的\MockingBird-main文件夹内 ，如果安装一切顺利 ，且相关依赖包版本正确 ，那下述命令执行后弹出一个新的窗口 。
E:\MiniConda3\envs\mockingbird\MockingBird-main>python demo_toolbox.py（1）点击Browse按钮选择已经录制好的自己的语音文件 ，或者直接点击Record即时录音 。此时在Current下拉列表中会出现选择的语音文件或即时录音文件 。
(2)Encoder列表中使用默认的pretrainted,Synthesizer列表中选择pretrainted75k ，vocoder列表中选择pretrainted ，然后点击Synthesizer and vocode按钮 。完成合成之后 ，会播放合成语音 。合成语音的效果要多尝试几次 ，也可以调整Style 、Accuracy 、Maxlength这三个参数 ，直到合成的mel spectrogram图形有明显的波段形状 。
合成的技巧可以参考https://gitee.com/Dwesome/MockingBird#https://gitee.com/link?target=https%3A%2F%2Fdrive.google.com%2Ffile%2Fd%2F1H-YGOUHpmqKxJ9FRc6vAjPuqQki24UbC%2Fview%3Fusp%3Dsharing
（2）运行web.py
web.py提供模拟和训练等全部功能的web操作界面 。运行后会打开一个web服务器 ，并在命令行中显其服务地址 ，在浏览器中输入服务器地址并打开页面 。
(mockingbird) E:\MiniConda3\envs\mockingbird\MockingBird-main>python web.py六 、模型训练
网上的模拟训练介绍很多不太清晰 ，我在测试环节折腾了好久 ，尤其是GPU测试 ，可以说即要谢谢网络 ，也要吐槽网络 。下面说一上我的环境配置过程
1 、下载aidatatang_200zh训练包 。
这个包17.4G,仅仅解压缩train目录里的内容 ，需要15G ，而SV2TTS目录则需要26.3G 。所以我是直接外接一个USB绿联硬盘盒做为训练数据存储区 。解压缩的时候 ，要先解压aidatatang_200zh.tgz为aidatatang_200zh.tar ，再解压aidatatang_200zh.tar到aidatatang_200zh目录 ，再进入aidatatang_200zh\corpus\train目录 ，将其中的所有tar压缩包解压到train目录本身中 ，解压完 ，那些压缩包就可以删除以腾出磁盘空间 。我的计算机在解压缩花费的时间我已经忘记 ，反正是睡了一觉 、只了顿饭之后 ，才解压缩完 。aidatatang_200zh训练包被解压后放置在usb硬盘的G:\mocking文件夹中 ，其目录为：
G:\MOCKING ├─aidatatang_200zh │ ├─corpus │ │ ├─dev │ │ ├─test │ │ └─train │ │ ├─G0013 …… │ │ ├─G6985 │ │ ├─G7009 │ │ └─G7072 │ └─transcript └─SV2TTS └─synthesizer ├─audio ├─embeds └─mels2 、先用web.py做模型训练
页面中：
1的位置 ，必须填写aidatatang_200zh的父目录下的SV2TTS目录 ，我的计算机上就是USB移动硬盘的G:\mocking\SV2TTS目录 。
2的位置 ，如果你要新建一个训练项目 ，则在此输入一个新的名称 ，如果你要使用已经有的训练项目 ，则此项因为空 。
3的位置 ，如果你要用已有的项目 ，则在下拉列表中选择 ，其中你自己如果已经有了自定义训练集 ，也会显示在列表中 。注意 ，你的自定义训练集被存放在你的conda环境的MockingBird-main\synthesizer\saved_models文件夹中 。训练集需要空间1G 。在GPU训练之前打勾 ，如果你的GPU支持 ，并且驱动及环境变量设置正确 ，系统将会用GPU进行训练 ，如果不支持GPU ，则会使用CUP训练 。
其他项目选择默认参数不变 。现在点击训练按钮开始训练 。
3 、观察训练输出
注意图中红色方框中的内容 ，我的机器正确配置了GPU训练模式 ，所以训练设置指示是CUDA 。否则就是CPU 。
4 、GPU的配置
（1）设置正确的环境变量
如果GPU和CUDA驱动安装正确 ，且nvidia-smi运行结果显示Cuda11.8和内存无误 ，则要记下gpu的编号 ，我的计算机只有一个nvidia显卡 ，且编号是0 。如果你的计算机有多张支持CUDA的显卡 ，则也要记下它们的编号 。
在mockingbird环境中设置环境变量set CUDA_VISIBLE_DEVICES=0 。如果是多张卡 ，则可以是“set CUDA_VISIBLE_DEVICES=0,1,3 ” 。显卡编号用逗号分开 。
(mockingbird) E:\MiniConda3\envs\mockingbird\MockingBird-main>set CUDA_VISIBLE_DEVICES=0（2）设置合适的训练批次大小
不同型号计算机的GPU内存配置有所不同 ，我的GPU内存只有2G ，mockingbird默认的批次大小为16 ，运行一会儿就会因为GPU内存不足而中断 ，这个问题在github中有解决方案 ，按照其提示修改hparams.py代码中的批次数量 。该文件在conda环境中 MockingBird-main\synthesizer目录下 。我在代码头部加了一个常量 ，再在代码相关部分用此常量替代原用的batch_size 。
import ast import pprint import json my_batch_size=4 ##调整后的batch_size ... ### Tacotron Training ### 调整批次大小 tts_schedule = [(2, 1e-3, 10_000, my_batch_size), # Progressive training schedule (2, 5e-4, 15_000, my_batch_size), # (r, lr, step, batch_size) (2, 2e-4, 20_000, my_batch_size), # (r, lr, step, batch_size) (2, 1e-4, 30_000, my_batch_size), # (2, 5e-5, 40_000, my_batch_size), # (2, 1e-5, 60_000, my_batch_size), # (2, 5e-6, 160_000, my_batch_size), # r = reduction factor (# of mel frames (2, 3e-6, 320_000, my_batch_size), # synthesized for each decoder iteration) (2, 1e-6, 640_000, my_batch_size)], # lr = learning rate我自己的计算机GPU内存为2G ，经尝试9 、6 、5和4个数值 ，4是最大保持持续运行的数字 。
5 、设置好环境变量和批次大小 ，现在可以用web.py运行一次训练了 。
如果正确配置 ，则使用ctrl+shift+esc调出windows任务管理器 ，可以在“性能 ”页面里看到GPU及其内存使用率都将正确显示 。注意 ，任务管理器中的GPU编号和nvidia-smi显示的编号是不一样的 。
6 、模型训练的命令行方式
进入conda环境的MockingBird-main目录 ，运行python synthesizer_train.py demoPT G:\mocking\SV2TTS\synthesizer 。其中demoPT就是我们自建的模型训练集 。
(mockingbird) E:\MiniConda3\envs\mockingbird\MockingBird-main>python synthesizer_train.py demoPT G:\mocking\SV2TTS\synthesizer七 、写在最后
我在使用github最新mockingbird包之前 ，下载使用过gitee.com 的 Dwesome / MockingBird克隆包 ，出现过两个问题 ，一是需要visual c++ build tools ，我用网上的办法下载visual c++ build tools安装包无果 ，只能安装visual studio 2015解决 。二是在执行demo_toolbox.py过程中 ，提示"no module named tools.alignments tools is not a package"错误 ，用vscode跟踪发现importlib.import_module()加载tools模块目录时失败 ，进入该目录后发现缺少__init__.py文件 ，于是在其目录中加入一个空的__init__.py文件 ，问题解决 。另外 ，使用github最新包时 ，出现h5py版本不正确 ，导致espnet202209无法使用 ，pip更新h5py包之后问题解决 。
由于在安装过程中一些细节问题我并没有及时记录 ，所以有些问题在这篇文章里并没有提到 。还请其他拎包客给予补足 、修正 。
创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！