forked from openvpi/DiffSinger
-
Notifications
You must be signed in to change notification settings - Fork 1
/
onnx_test_pe_gpu.py
134 lines (102 loc) · 16 KB
/
onnx_test_pe_gpu.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
# coding=utf8
import os
import sys
import inference.svs.ds_e2e as e2e
from utils.audio import save_wav
from utils.hparams import set_hparams, hparams
import numpy as np
import torch
import onnxruntime as ort
root_dir = os.path.dirname(os.path.abspath(__file__))
os.environ['PYTHONPATH'] = f'"{root_dir}"'
sys.argv = [
f'{root_dir}/inference/svs/ds_e2e.py',
'--config',
f'{root_dir}/usr/configs/midi/e2e/opencpop/ds100_adj_rel.yaml',
'--exp_name',
'0228_opencpop_ds100_rel'
]
def to_numpy(tensor):
return tensor.detach().cpu().numpy() if tensor.requires_grad else tensor.cpu().numpy()
class TestHifiganInfer(e2e.DiffSingerE2EInfer):
def __init__(self, hparams, device=None):
super().__init__(hparams, device)
self.pe2 = ort.InferenceSession("xiaoma_pe.onnx", providers=["CUDAExecutionProvider"])
self.vocoder2 = ort.InferenceSession("hifigan.onnx", providers=["CUDAExecutionProvider"])
def run_vocoder(self, c, **kwargs):
c = c.transpose(2, 1) # [B, 80, T]
f0 = kwargs.get('f0') # [B, T]
print(c.shape)
print(f0.shape)
if f0 is not None and hparams.get('use_nsf'):
ort_inputs = {
'x': to_numpy(c),
'f0': to_numpy(f0)
}
else:
ort_inputs = {
'x': to_numpy(c),
'f0': {}
}
# [T]
ort_out = self.vocoder2.run(None, ort_inputs)
y = torch.from_numpy(ort_out[0]).to(self.device)
return y[None]
def forward_model(self, inp):
sample = self.input_to_batch(inp)
txt_tokens = sample['txt_tokens'] # [B, T_t]
spk_id = sample.get('spk_ids')
print(txt_tokens.shape)
print(spk_id.shape)
print(sample['pitch_midi'].shape)
print(sample['midi_dur'].shape)
if (sample['is_slur'] is not None):
print(sample['is_slur'].shape)
if (sample['mel2ph'] is not None):
print(sample['mel2ph'].shape)
with torch.no_grad():
output = self.model(txt_tokens, spk_id=spk_id, ref_mels=None, infer=True,
pitch_midi=sample['pitch_midi'], midi_dur=sample['midi_dur'],
is_slur=sample['is_slur'], mel2ph=sample['mel2ph'])
mel_out = output['mel_out'] # [B, T,80]
print("Run PE")
if hparams.get('pe_enable') is not None and hparams['pe_enable']:
pe2_res = self.pe2.run(None,
{
'mel_input': to_numpy(mel_out)
}
)
# pe predict from Pred mel
f0_pred = torch.from_numpy(pe2_res[1])
else:
f0_pred = output['f0_denorm']
print("Run Hifigan")
# Run Vocoder
wav_out = self.run_vocoder(mel_out, f0=f0_pred)
wav_out = wav_out.cpu().numpy()
return wav_out[0]
if __name__ == '__main__':
c = {
'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'
} # user input: Chinese characters
c = {
"text": "AP 还 记 得 那 场 音 乐 会 的 烟 火 AP 还 记 得 那 个 凉 凉 的 深 秋 AP 还 记 得 人 潮 把 你 推 向 了 我 AP 游 乐 园 拥 挤 的 正 是 时 候 AP 一 个 夜 晚 坚 持 不 睡 的 等 候 AP 一 起 泡 温 泉 奢 侈 的 享 受 AP 有 一 次 日 记 里 愚 蠢 的 困 惑 AP 因 为 你 的 微 笑 幻 化 成 风 AP 你 大 大 的 勇 敢 保 护 着 我 AP 我 小 小 的 关 怀 喋 喋 不 休 AP 感 谢 我 们 一 起 走 了 那 么 久 AP 又 再 一 次 回 到 凉 凉 深 秋 AP 给 你 我 的 手 SP 像 温 柔 野 兽 AP 把 自 由 交 给 草 原 的 辽 阔 AP 我 们 小 手 拉 大 手 AP 一 起 郊 游 SP 今 天 别 想 太 多 AP 你 是 我 的 梦 AP 像 北 方 的 风 AP 吹 着 南 方 暖 洋 洋 的 哀 愁 AP 我 们 小 手 拉 大 手 AP 今 天 加 油 SP 向 昨 天 挥 挥 手 SP",
"ph_seq": "AP h ai j i d e n a ch ang y in y ve h ui d e y an h uo uo AP h ai j i d e n a g e l iang l iang d e sh en en q iu iu AP h ai j i d e r en ch ao b a n i t ui x iang l e w o o AP y ou l e y van y ong j i d e zh eng sh i sh i h ou ou AP y i g e y e w an j ian ch i b u sh ui d e d eng h ou ou AP y i q i p ao w en q van sh e ch i d e x iang iang sh ou ou AP y ou y i c i r i j i l i y v ch un d e k un h uo uo AP y in w ei n i d e w ei x iao h uan h ua ch eng f eng eng AP n i d a d a d e y ong g an b ao h u zh e w o o AP w o x iao x iao d e g uan h uai d ie d ie b u x iu iu AP g an x ie w o m en y i q i z ou l e n a m e j iu iu AP y ou z ai y i c i h ui d ao ao l iang l iang sh en q iu iu AP g ei n i w o d e sh ou SP x iang w en r ou y e sh ou AP b a z i y ou j iao g ei c ao y van d e l iao iao k uo uo uo AP w o m en x iao sh ou l a d a sh ou AP y i q i j iao iao y ou SP j in t ian b ie x iang t ai d uo uo AP n i sh i w o d e m eng AP x iang b ei f ang d e f eng AP ch ui zh e n an f ang n uan y ang y ang d e ai ai ch ou ou ou AP w o m en x iao sh ou l a d a sh ou AP j in t ian j ia ia y ou SP x iang z uo t ian h ui h ui ui sh ou ou ou SP",
"note_seq": "rest G3 G3 G3 G3 A3 A3 C4 C4 D4 D4 E4 E4 A4 A4 G4 G4 E4 E4 D4 D4 D4 D4 C4 rest C4 C4 D4 D4 C4 C4 B3 B3 C4 C4 F4 F4 A3 A3 C4 C4 D4 D4 E4 E4 E4 D4 rest D4 D4 E4 E4 D4 D4 C#4 C#4 D4 D4 G4 G4 B3 B3 D4 D4 E4 E4 D4 D4 D4 D4 C4 rest C4 C4 D4 D4 C4 C4 B3 B3 C4 C4 F4 F4 A3 A3 C4 C4 A3 A3 A3 A3 G3 rest G3 G3 G3 G3 A3 A3 C4 C4 D4 D4 E4 E4 A4 A4 G4 G4 E4 E4 D4 D4 D4 D4 C4 rest C4 C4 D4 D4 C4 C4 B3 B3 C4 C4 F4 F4 A3 A3 C4 C4 D4 D4 E4 E4 E4 D4 rest D4 D4 E4 E4 D4 D4 C#4 C#4 D4 D4 G4 G4 B3 B3 D4 D4 E4 E4 D4 D4 D4 D4 C4 rest C4 C4 D4 D4 C4 C4 B3 B3 C4 C4 F4 F4 A3 A3 C4 C4 D4 D4 D4 D4 C4 rest E4 E4 F4 F4 E4 E4 D4 D4 E4 E4 F4 F4 E4 E4 D4 D4 E4 E4 E4 E4 F4 rest F4 F4 G4 G4 F4 F4 G4 G4 F4 F4 E4 E4 D4 D4 C4 C4 D4 D4 D4 D4 E4 rest E4 E4 E4 E4 D4 D4 C#4 C#4 E4 E4 E4 E4 D4 D4 D4 D4 D4 D4 C#4 C#4 C#4 C#4 D4 rest D4 D4 D4 D4 E4 E4 F#4 F#4 D4 D4 G4 G4 A4 G4 G4 G4 G4 F#4 F#4 F#4 F#4 G4 rest E4 E4 F4 F4 E4 E4 F4 F4 G4 G4 rest E4 E4 F4 F4 E4 E4 F4 F4 G4 G4 rest G4 G4 A4 A4 G4 G4 A4 A4 B4 B4 C5 C5 E4 E4 E4 E4 G4 G4 A4 A4 A4 G4 G4 rest C4 C4 D4 D4 C4 C4 F4 F4 E4 E4 D4 D4 C4 C4 rest F4 F4 E4 E4 D4 D4 C4 C4 C4 rest C4 C4 D4 D4 A3 A3 C4 C4 E4 E4 E4 E4 G4 rest E4 E4 F4 F4 E4 E4 F4 F4 G4 G4 rest E4 E4 F4 F4 E4 E4 F4 F4 G4 G4 rest G4 G4 A4 A4 G4 G4 A4 A4 B4 B4 C5 C5 E4 E4 E4 E4 G4 A4 A4 A4 G4 G4 rest C4 C4 D4 D4 C4 C4 F4 F4 E4 E4 D4 D4 C4 C4 rest F4 F4 E4 E4 D4 D4 C4 C4 C4 rest C4 C4 D4 D4 A3 A3 C4 C4 C4 C4 D4 D4 D4 C4 C4 rest",
"note_dur_seq": "0.6 0.29218 0.29218 0.289358 0.289358 0.200769 0.200769 0.21282 0.21282 0.278718 0.278718 0.461538 0.461538 0.169423 0.169423 0.522884 0.522884 0.230769 0.230769 0.200768 0.200768 0.30577 0.30577 0.302885 0.314423 0.182052 0.182052 0.309486 0.309486 0.212052 0.212052 0.234487 0.234487 0.230768 0.230768 0.461666 0.461666 0.245642 0.245642 0.335193 0.335193 0.301154 0.301154 0.188012 0.374488 0.374488 0.288462 0.343847 0.191731 0.191731 0.284806 0.284806 0.230769 0.230769 0.1925 0.1925 0.269038 0.269038 0.416538 0.416538 0.232179 0.232179 0.40013 0.40013 0.305768 0.305768 0.252502 0.252502 0.284037 0.284037 0.274038 0.393268 0.212823 0.212823 0.228717 0.228717 0.230769 0.230769 0.195062 0.195062 0.266092 0.266092 0.401922 0.401922 0.224103 0.224103 0.423205 0.423205 0.506541 0.506541 0.335769 0.335769 0.274038 0.373269 0.147946 0.147946 0.313592 0.313592 0.230769 0.230769 0.230771 0.230771 0.153521 0.153521 0.523783 0.523783 0.171155 0.171155 0.536154 0.536154 0.217755 0.217755 0.213784 0.213784 0.305768 0.305768 0.288462 0.358846 0.156602 0.156602 0.274937 0.274937 0.237691 0.237691 0.223847 0.223847 0.206023 0.206023 0.411284 0.411284 0.335769 0.335769 0.362692 0.362692 0.259232 0.259232 0.196152 0.42404 0.42404 0.230769 0.373271 0.169932 0.169932 0.224616 0.224616 0.297759 0.297759 0.200766 0.200766 0.202178 0.202178 0.520132 0.520132 0.172561 0.172561 0.519747 0.519747 0.174544 0.174544 0.246543 0.246543 0.316218 0.316218 0.274038 0.393268 0.201862 0.201862 0.224677 0.224677 0.245772 0.245772 0.230765 0.230765 0.159743 0.159743 0.472567 0.472567 0.255062 0.255062 0.381793 0.381793 0.450713 0.450713 0.430895 0.430895 0.317308 0.300961 0.201923 0.201923 0.277567 0.277567 0.225059 0.225059 0.202567 0.202567 0.212821 0.212821 0.495642 0.495642 0.177497 0.177497 0.454805 0.454805 0.490774 0.490774 0.219999 0.219999 0.418269 0.317951 0.146472 0.146472 0.281734 0.281734 0.261725 0.261725 0.215774 0.215774 0.18737 0.18737 0.519933 0.519933 0.184619 0.184619 0.47769 0.47769 0.387759 0.387759 0.307435 0.307435 0.389423 0.314999 0.176089 0.176089 0.300448 0.300448 0.20077 0.20077 0.260772 0.260772 0.132239 0.132239 0.488848 0.488848 0.299037 0.299037 0.40449 0.40449 0.260768 0.260768 0.229999 0.229999 0.234425 0.234425 0.461538 0.257883 0.173526 0.173526 0.30519 0.30519 0.12564 0.12564 0.288726 0.288726 0.243713 0.243713 0.191862 0.191862 0.271729 0.224616 0.224616 0.390127 0.390127 0.446539 0.446539 0.296796 0.296796 0.346154 0.372691 0.245772 0.245772 0.230765 0.230765 0.230773 0.230773 0.154036 0.154036 0.669808 0.669808 0.240002 0.320765 0.320765 0.230773 0.230773 0.230765 0.230765 0.154235 0.154235 0.669613 0.669613 0.330002 0.161406 0.161406 0.300128 0.300128 0.215579 0.215579 0.245963 0.245963 0.156989 0.156989 0.535318 0.535318 0.230765 0.230765 0.43154 0.43154 0.190386 0.190386 0.245194 0.374998 0.374998 0.418269 0.375 0.281472 0.206603 0.206603 0.213011 0.213011 0.187179 0.187179 0.507887 0.507887 0.202178 0.202178 0.416666 0.416666 0.523464 0.523464 0.272302 0.14603 0.14603 0.486288 0.486288 0.379034 0.379034 0.10878 0.309489 0.309489 0.140773 0.219737 0.219737 0.517568 0.517568 0.159747 0.159747 0.442556 0.442556 0.520964 0.520964 0.219808 0.219808 0.432692 0.301156 0.156398 0.156398 0.305141 0.305141 0.230769 0.230769 0.164477 0.164477 0.702636 0.702636 0.196736 0.320766 0.320766 0.200763 0.200763 0.260776 0.260776 0.164668 0.164668 0.702445 0.702445 0.226735 0.249805 0.249805 0.241725 0.241725 0.23077 0.23077 0.245777 0.245777 0.211666 0.211666 0.495642 0.495642 0.230769 0.230769 0.446531 0.446531 0.189813 0.211423 0.40877 0.40877 0.403846 0.302885 0.344417 0.21577 0.21577 0.192134 0.192134 0.217311 0.217311 0.513632 0.513632 0.206942 0.206942 0.407118 0.407118 0.527675 0.527675 0.197889 0.260768 0.260768 0.43334 0.43334 0.377233 0.377233 0.142502 0.218075 0.218075 0.153459 0.259494 0.259494 0.44782 0.44782 0.241672 0.241672 0.401343 0.401343 0.299097 0.299097 0.173413 0.374664 0.374664 0.475962 0.389423 0.5",
"is_slur_seq": "0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 0",
"ph_dur": "0.6 0.165 0.12718 0.103589 0.185769 0.045 0.155769 0.075 0.13782 0.092949 0.185769 0.045 0.416538 0.045 0.124423 0.106346 0.416538 0.045 0.185769 0.045 0.155768 0.075001 0.230769 0.302885 0.314423 0.075 0.107052 0.123717 0.185769 0.045 0.167052 0.063717 0.17077 0.059999 0.170769 0.06 0.401666 0.059873 0.185769 0.045 0.290193 0.171346 0.129808 0.188012 0.143719 0.230769 0.288462 0.343847 0.059999 0.131732 0.099037 0.185769 0.045 0.185769 0.045 0.1475 0.083269 0.185769 0.045 0.371538 0.09 0.142179 0.088591 0.311539 0.15 0.155768 0.075001 0.177501 0.053268 0.230769 0.274038 0.393268 0.025002 0.187821 0.042948 0.185769 0.045 0.185769 0.045 0.150062 0.080708 0.185384 0.045385 0.356537 0.105001 0.119102 0.111668 0.311537 0.150002 0.356539 0.105 0.230769 0.274038 0.373269 0.045 0.102946 0.127823 0.185769 0.045 0.185769 0.045 0.185771 0.044998 0.108523 0.122246 0.401537 0.060001 0.111154 0.119616 0.416538 0.045 0.172755 0.058014 0.15577 0.074999 0.230769 0.288462 0.358846 0.045 0.111602 0.119167 0.15577 0.074999 0.162692 0.068077 0.15577 0.074999 0.131024 0.099745 0.311539 0.15 0.185769 0.045 0.317692 0.143847 0.115385 0.196152 0.150002 0.274038 0.230769 0.373271 0.044998 0.124934 0.105835 0.118781 0.111988 0.185771 0.044998 0.155768 0.075001 0.127177 0.103592 0.41654 0.044998 0.127563 0.103207 0.41654 0.044998 0.129546 0.101223 0.14532 0.085449 0.230769 0.274038 0.393268 0.025002 0.17686 0.053909 0.170768 0.060001 0.185771 0.044998 0.185767 0.045002 0.114741 0.116028 0.356539 0.105 0.150062 0.080708 0.301085 0.160454 0.290259 0.17128 0.259615 0.317308 0.300961 0.045193 0.15673 0.074039 0.203528 0.027241 0.197818 0.032951 0.169616 0.061153 0.151668 0.079102 0.41654 0.044998 0.132499 0.09827 0.356535 0.105003 0.385771 0.075768 0.144231 0.418269 0.317951 0.042625 0.103847 0.126923 0.154811 0.075958 0.185767 0.045002 0.170772 0.059998 0.127372 0.103397 0.416536 0.045002 0.139617 0.091152 0.386538 0.075001 0.312758 0.148781 0.158654 0.389423 0.314999 0.060001 0.116088 0.114681 0.185767 0.045002 0.155768 0.075001 0.185771 0.044998 0.087241 0.143528 0.34532 0.116219 0.182818 0.047951 0.356539 0.105 0.155768 0.075001 0.154998 0.075771 0.158654 0.461538 0.257883 0.045002 0.128524 0.102245 0.202945 0.027824 0.097816 0.132954 0.155772 0.074997 0.168716 0.062054 0.129808 0.271729 0.060001 0.164615 0.066154 0.323973 0.137566 0.308973 0.152565 0.144231 0.346154 0.372691 0.060001 0.185771 0.044998 0.185767 0.045002 0.185771 0.044998 0.109038 0.121731 0.548077 0.240002 0.134998 0.185767 0.045002 0.185771 0.044998 0.185767 0.045002 0.109233 0.121536 0.548077 0.330002 0.044998 0.116408 0.114361 0.185767 0.045002 0.170577 0.060192 0.185771 0.044998 0.111991 0.118778 0.41654 0.044998 0.185767 0.045002 0.386538 0.075001 0.115385 0.245194 0.10096 0.274038 0.418269 0.375 0.281472 0.035835 0.170768 0.060001 0.15301 0.077759 0.10942 0.121349 0.386538 0.075001 0.127177 0.103592 0.313074 0.148464 0.375 0.272302 0.045006 0.101024 0.129745 0.356543 0.104996 0.274038 0.10878 0.07872 0.230769 0.140773 0.089996 0.129741 0.101028 0.41654 0.044998 0.114749 0.11602 0.326536 0.135002 0.385962 0.075577 0.144231 0.432692 0.301156 0.044998 0.1114 0.11937 0.185771 0.044998 0.185771 0.044998 0.119479 0.11129 0.591346 0.196736 0.134995 0.185771 0.044998 0.155765 0.075005 0.185771 0.044998 0.11967 0.111099 0.591346 0.226735 0.104996 0.144809 0.08596 0.155765 0.075005 0.155765 0.075005 0.170772 0.059998 0.151668 0.079102 0.41654 0.044998 0.185771 0.044998 0.401533 0.189813 0.211423 0.120308 0.288462 0.403846 0.302885 0.344417 0.045006 0.170764 0.060005 0.132129 0.09864 0.118671 0.112099 0.401533 0.060005 0.146937 0.083832 0.323286 0.138252 0.389423 0.197889 0.104996 0.155772 0.074997 0.358343 0.103195 0.274038 0.142502 0.044998 0.173077 0.153459 0.135002 0.124492 0.106277 0.341543 0.119995 0.121677 0.109093 0.29225 0.169289 0.129808 0.173413 0.158318 0.216346 0.475962 0.389423 0.5",
"input_type": "phoneme"
}
target = "./infer_out/onnx_test_res.wav"
set_hparams(print_hparams=False)
infer_ins = TestHifiganInfer(hparams)
out = infer_ins.infer_once(c)
os.makedirs(os.path.dirname(target), exist_ok=True)
print(f'| save audio: {target}')
save_wav(out, target, hparams['audio_sample_rate'])
print(infer_ins.pe)
print("OK")