TTS のためのデータセット作りをするやつ

音声ファイルたちから、

1. slice.py: 発話区間を 2-12 秒に収まるように分割 (Silero VADを使用)
2. transcribe.py: 分割したファイルからテキストを書き起こして保存(Faster Whisperを使用)

をするやつです。

Bert-VITS2 で使うために作りました。

導入

ffmpeg のインストールが別途必要です、「Couldn't find ffmpeg」とか怒られたら、「Windows ffmpeg インストール」等でググって別途インストールしてください。

git clone https://github.com/litagin02/slice-and-transcribe.git
cd slice_and_transcribe
python -m venv venv
venv\Scripts\activate
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
pip install -r requirements.txt

音声分割

inputsフォルダを作り、そこに wav ファイルたちを入れてください。

python slice.py

スライスされた結果がrawディレクトリに保存されます。

デフォルトは 2 秒から 12 秒の発話のみが保存されます。

パラメータ：

• --max_sec, -M: 最大秒数、デフォルトは 12 秒
• --min_sec, -m: 最小秒数、デフォルトは 2 秒
• --min_silence_dur_ms, -s: 無音とみなす秒数の長さ（ミリ秒）、デフォルトは 700ms。 このミリ秒数以上を無音だと判断する。逆に、この秒数以下の無音区間では区切られない。小さくすると、音声がぶつ切りに小さくなりすぎ、大きくすると音声一つ一つが長くなりすぎる。

例：

python slice.py -M 15 -m 3 -s 1000

書き起こし

rawディレクトリにある wav ファイルからテキストを書き起こし、text.listに保存します。

python transcribe.py speaker_name

書き起こし形式は、

Data/{speaker_name}/audios/wavs/{file_name}|{speaker_name}|JP|{text}

という形です（Bert-VITS2 ですぐ使える形にしている）ので、必要なら適宜 transcribe.py を書き換えてください。