-
Notifications
You must be signed in to change notification settings - Fork 0
/
generator.go
473 lines (425 loc) · 11.7 KB
/
generator.go
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
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
package generator
import (
"fmt"
"io/ioutil"
"log"
"math"
"os"
"path/filepath"
"regexp"
"strings"
"sync"
"github.com/but80/talklistener/internal/julius"
"github.com/but80/talklistener/internal/vsqx"
"github.com/krig/go-sox"
"golang.org/x/xerrors"
)
const (
f0FramePeriod = .005
resampleRate = 5
notesFramePeriod = f0FramePeriod / float64(resampleRate)
resolution = 480
bpm = 125.00
tickTime = 60.0 / bpm / float64(resolution) // = 0.001
parallel = true
extendNoteTime = 0.025
shiftBendTime = 0.0
baseF0Delay = 0.035
durationRatio = .5
)
func timeToTick(time float64) int {
return int(math.Round(time / tickTime))
}
func durationToVelocity(dur float64) int {
velocity := int(math.Round(16.0 - (math.Log10(dur)+0.622511616623867)*160.8972722*durationRatio))
if velocity < 1 {
velocity = 1
} else if 127 < velocity {
velocity = 127
}
return velocity
}
type generator struct {
noteCenter int
vsqx *vsqx.VSQ3
consonant string
consonantBeginTime float64
consonantEndTime float64
vowel string
vowelBeginTime float64
vowelEndTime float64
}
func (gen *generator) reset() {
gen.consonant = ""
gen.consonantBeginTime = -1.0
gen.consonantEndTime = -1.0
gen.vowel = ""
gen.vowelBeginTime = -1.0
gen.vowelEndTime = -1.0
}
func (gen *generator) setConsonant(begin, end float64, unit string) {
gen.consonant = unit
gen.consonantBeginTime = begin
gen.consonantEndTime = end
}
func (gen *generator) setVowel(begin, end float64, unit string) {
gen.vowelBeginTime = begin
gen.vowelEndTime = end
gen.vowel = unit
}
func (gen *generator) flush() error {
var ok bool
vowelIndex := -1
var cons *julius.Consonant
if gen.vowel != "" {
if vowelIndex, ok = julius.Vowels[gen.vowel]; !ok {
return fmt.Errorf("[%s] [%s] の発音を特定できません", gen.consonant, gen.vowel)
}
}
if gen.consonant != "" {
if cons, ok = julius.Consonants[gen.consonant]; !ok || len(cons.Kana) <= vowelIndex {
return fmt.Errorf("[%s] [%s] の発音を特定できません", gen.consonant, gen.vowel)
}
}
if gen.consonant == "" || gen.consonantBeginTime < .0 {
if gen.vowel == "" || gen.vowelBeginTime < .0 {
// 何もない
} else {
// 母音のみ
gen.vsqx.AddNote(
64,
timeToTick(gen.vowelBeginTime),
timeToTick(gen.vowelEndTime+extendNoteTime),
gen.noteCenter,
julius.Consonants[""].Kana[vowelIndex],
"",
)
}
} else {
if gen.vowel == "" || gen.vowelBeginTime < .0 {
// 子音のみ
gen.vsqx.AddNote(
durationToVelocity(gen.consonantEndTime-gen.consonantBeginTime),
timeToTick(gen.consonantBeginTime),
timeToTick(gen.consonantEndTime+extendNoteTime),
gen.noteCenter,
gen.consonant,
cons.VSQXPhoneme,
)
} else {
// 子音+母音
begin := timeToTick(gen.vowelBeginTime)
end := timeToTick(gen.vowelEndTime + extendNoteTime)
gen.vsqx.ExtendLastNote(begin, timeToTick(gen.consonantBeginTime))
gen.vsqx.AddNote(
durationToVelocity(gen.vowelBeginTime-gen.consonantBeginTime),
begin,
end,
gen.noteCenter,
cons.Kana[vowelIndex],
"",
)
}
}
gen.reset()
return nil
}
func (gen *generator) feedPitchBends(notes []float64, timeOffset float64) {
bendSense := 24
gen.vsqx.AddMCtrl(.0, "PBS", bendSense)
t := timeOffset
last := 0
for i, note := range notes {
tick := int(math.Round(t / tickTime))
dNote := note - float64(gen.noteCenter)
bend := int(math.Round(8192.0 * dNote / float64(bendSense)))
if bend < -8192 {
bend = -8192
} else if 8191 < bend {
bend = 8191
}
if i == 0 || last != bend {
gen.vsqx.AddMCtrl(tick, "PIT", bend)
}
last = bend
t += notesFramePeriod
}
}
func (gen *generator) save(filename string) error {
return ioutil.WriteFile(filename, gen.vsqx.Bytes(), 0644)
}
func (gen *generator) dump() {
fmt.Println(string(gen.vsqx.Bytes()))
}
func convertAudioFile(in, out string) error {
log.Print("info: 音声ファイルのフォーマットを変換中...")
fin := sox.OpenRead(in)
if fin == nil {
return xerrors.Errorf("Failed to open input file: %s", in)
}
defer fin.Release()
signalInfo := sox.NewSignalInfo(16000, 1, 16, 0, nil)
encodingInfo := sox.NewEncodingInfo(sox.ENCODING_SIGN2, 16, 0, false)
fout := sox.OpenWrite(out, signalInfo, encodingInfo, nil)
if fout == nil {
return xerrors.Errorf("Failed to open output file: %s", out)
}
defer fout.Release()
const readSize = 2048
samples := make([]sox.Sample, readSize)
for {
m := fin.Read(samples, readSize)
if m <= 0 {
break
}
if fout.Write(samples, uint(m)) != m {
return xerrors.Errorf("Failed to write file: %s", out)
}
}
return nil
}
func exists(filename string) bool {
_, err := os.Stat(filename)
return err == nil
}
func isNewer(this, that string) bool {
sThis, err := os.Stat(this)
if err != nil {
return false
}
sThat, err := os.Stat(that)
if err != nil {
return false
}
return 0 < sThis.Size() && sThis.ModTime().After(sThat.ModTime())
}
func isEmpty(filename string) bool {
s, err := os.Stat(filename)
return err != nil || s.Size() == 0
}
var removeExtRx = regexp.MustCompile(`\.[^\.]+$`)
func removeExt(filename string) string {
return removeExtRx.ReplaceAllString(filename, "")
}
type GenerateOptions struct {
AudioFile string
TextFile string
OutFile string
Singer string
F0LPFCutoff string
F0Delay float64
DictationModel string
SplitConsonant bool
Transpose int
Redictate bool
Recache bool
}
// Generate は、話し声を録音した音声ファイルからVocaloid3シーケンスを生成します。
func Generate(opts *GenerateOptions) error {
if !vsqx.IsValidSinger(opts.Singer) {
log.Printf("warn: シンガー %s は定義されていません", opts.Singer)
opts.Singer = vsqx.DefaultSinger
}
if p, err := filepath.Abs(opts.AudioFile); err == nil {
opts.AudioFile = p
}
if !exists(opts.AudioFile) {
return fmt.Errorf("%s が見つかりません", opts.AudioFile)
}
if opts.TextFile == "" {
opts.TextFile = removeExt(opts.AudioFile) + ".txt"
} else if p, err := filepath.Abs(opts.TextFile); err == nil {
opts.TextFile = p
}
if opts.OutFile == "" {
opts.OutFile = removeExt(opts.AudioFile) + ".vsqx"
} else if p, err := filepath.Abs(opts.OutFile); err == nil {
opts.OutFile = p
}
name := filepath.Base(opts.AudioFile)
objdir := removeExt(opts.AudioFile) + ".tlo"
if opts.Recache {
if err := os.RemoveAll(objdir); err != nil {
return xerrors.Errorf("キャッシュディレクトリの作成に失敗しました: %w", err)
}
}
if _, err := os.Stat(objdir); err != nil {
if err := os.Mkdir(objdir, 0755); err != nil {
return xerrors.Errorf("キャッシュディレクトリの作成に失敗しました: %w", err)
}
}
objPrefix := filepath.Join(objdir, name)
convertedWavFile := objPrefix + ".wav"
if isNewer(convertedWavFile, opts.AudioFile) {
log.Printf("info: フォーマット変換済み音声ファイルのキャッシュを使用します: %s", convertedWavFile)
} else {
if err := convertAudioFile(opts.AudioFile, convertedWavFile); err != nil {
return xerrors.Errorf("音声ファイルの変換に失敗しました: %w", err)
}
}
var wg sync.WaitGroup
errch := make(chan error, 9)
wg.Add(1)
noteCenter := int(a3Note)
notesDelay := -(opts.F0Delay + baseF0Delay)
notes := []float64{}
f0done := false
go func() {
defer wg.Done()
defer func() {
f0done = true
}()
var err error
f0file := objPrefix + ".f0"
if isNewer(f0file, convertedWavFile) {
log.Printf("info: 推定済み基本周波数のキャッシュを使用します: %s", f0file)
notes, err = loadF0Note(f0file)
} else {
notes, err = wavToF0Note(convertedWavFile, f0file, f0FramePeriod)
}
if err != nil {
errch <- xerrors.Errorf("基本周波数の推定に失敗しました: %w", err)
return
}
noteMin := 128.0
noteMax := .0
noteOffset := float64(opts.Transpose) / 100.0
for i := range notes {
notes[i] += noteOffset
note := notes[i]
if note < noteMin {
noteMin = note
}
if noteMax < note {
noteMax = note
}
}
noteCenter = int(math.Round((noteMax + noteMin) / 2.0))
log.Print("info: 基本周波数の変動をフィルタリング中...")
notes = resample(notes, resampleRate)
if opts.F0LPFCutoff != "" {
notes = convolve(notes, firLPF[opts.F0LPFCutoff])
notesDelay += float64(len(firLPF[opts.F0LPFCutoff])) / 2.0 * notesFramePeriod
}
}()
if !parallel {
wg.Wait()
}
wg.Add(1)
var result *julius.Result
go func() {
defer wg.Done()
lastSec := -1
julius.OnProgress = func(progress, total float64) {
sec := int(progress/10.0) * 10
if lastSec != sec {
log.Printf("info: 進捗: %d / %d 秒", sec, int(math.Ceil(total)))
lastSec = sec
}
}
var err error
if isEmpty(opts.TextFile) || opts.Redictate {
result, err = julius.Dictate(convertedWavFile, opts.DictationModel)
if err != nil {
errch <- xerrors.Errorf("発話内容の推定に失敗しました: %w", err)
return
}
b := []byte(result.DictationString())
if len(b) == 0 {
errch <- xerrors.Errorf("音声ファイル中に認識可能な発話がありませんでした")
return
}
if err := ioutil.WriteFile(opts.TextFile, b, 0644); err != nil {
errch <- xerrors.Errorf("推定した発話内容の保存に失敗しました: %w", err)
return
}
} else {
log.Print("info: 発話内容をテキストファイルから読み込みます")
}
result, err = julius.Segmentate(convertedWavFile, opts.TextFile, objPrefix)
if err != nil {
errch <- xerrors.Errorf("発音タイミングの推定に失敗しました: %w", err)
return
}
if !f0done {
log.Printf("info: 基本周波数の推定が継続中です。しばらくお待ち下さい...")
}
}()
wg.Wait()
if 0 < len(errch) {
return <-errch
}
gen := generator{
noteCenter: noteCenter,
vsqx: vsqx.New(opts.Singer, resolution, bpm),
}
gen.reset()
log.Print("info: VSQXを生成中...")
segsData := ""
for _, seg := range result.Segments {
segsData += fmt.Sprintf("%.7f %.7f %s\n", seg.BeginTime, seg.EndTime, seg.Unit)
unit := seg.Unit
long := strings.HasSuffix(unit, ":")
if long {
unit = unit[:len(unit)-1]
}
beginTime := seg.BeginTime + notesDelay
endTime := seg.EndTime + notesDelay
if unit == "q" {
gen.flush()
gen.vsqx.AddNote(
64,
timeToTick(beginTime),
timeToTick(endTime),
gen.noteCenter,
"っ",
"Sil",
)
continue
}
if s, ok := julius.SpecialsForVSQX[unit]; ok {
gen.flush()
if s != "" {
gen.vsqx.AddNote(
64,
timeToTick(beginTime),
timeToTick(endTime),
gen.noteCenter,
s,
"",
)
}
gen.reset()
continue
}
if _, ok := julius.Vowels[unit]; !ok {
if gen.consonant != "" {
gen.flush()
}
gen.setConsonant(beginTime, endTime, unit)
continue
}
if opts.SplitConsonant {
if err := gen.flush(); err != nil {
return xerrors.Errorf("テキストファイルの内容が不正です: %w", err)
}
}
gen.setVowel(beginTime, endTime, unit)
if err := gen.flush(); err != nil {
return xerrors.Errorf("テキストファイルの内容が不正です: %w", err)
}
}
if err := gen.flush(); err != nil {
return xerrors.Errorf("テキストファイルの内容が不正です: %w", err)
}
if err := ioutil.WriteFile(objPrefix+".seg", []byte(segsData), 0644); err != nil {
return xerrors.Errorf("セグメンテーションキャッシュファイルの保存に失敗しました: %w", err)
}
gen.feedPitchBends(notes, shiftBendTime)
if err := gen.save(opts.OutFile); err != nil {
return xerrors.Errorf("VSQXの保存に失敗しました: %w", err)
}
log.Printf("info: 出力ノート数: %d", gen.vsqx.NoteCount())
log.Print("info: 完了")
return nil
}