该教程能教会读者如何使用本地服务器使用VITS微调训练自己的想要的角色的声音并且本地推理，注意只能使用linux版本进行训练，但是推理可以在windows上完成。
操作系统：Linux（Ubuntu20.04）Python版本：3.9使用Conda虚拟环境STEP 0 使用conda配置虚拟环境(个人习惯，也可以直接在本地服务器上嗯配)
conda create -n vits python=3.9activate vitsSTEP 1 复制代码库并安装运行环境
git clone https://github.com/Plachtaa/VITS-fast-fine-tuning.gitpip install imageio==2.4.1pip install --upgrade youtube-dlpip install moviepycd VITS-fast-fine-tuningpip install -r requirements.txtcd monotonic_align/mkdir monotonic_alignpython setup.py build_ext --inplacecd ..mkdir pretrained_models# download data for fine-tuningwget https://huggingface.co/datasets/Plachta/sampled_audio4ft/resolve/main/sampled_audio4ft.zipunzip sampled_audio4ft.zip# create necessary directoriesmkdir video_datamkdir raw_audiomkdir denoised_audiomkdir custom_character_voicemkdir segmented_character_voice记得没错的话会提示关于pyopenjtalk的报错，因为这个包是基于openjtalk的共享库之上的，要安装之前需要先安装共享库，打开https://github.com/r9y9/open_jtalk的travis.yml文件，按照上面的教程进行make编译（注意要先进行before_install部分的安装在执行script部分）。
STEP 1.5 选择预训练模型
中日英三语模型（在根目录执行）
wget https://huggingface.co/spaces/Plachta/VITS-Umamusume-voice-synthesizer/resolve/main/pretrained_models/D_trilingual.pth -O ./pretrained_models/D_0.pthwget https://huggingface.co/spaces/Plachta/VITS-Umamusume-voice-synthesizer/resolve/main/pretrained_models/G_trilingual.pth -O ./pretrained_models/G_0.pthwget https://huggingface.co/spaces/Plachta/VITS-Umamusume-voice-synthesizer/resolve/main/configs/uma_trilingual.json -O ./configs/finetune_speaker.json中日双语模型（在根目录执行）
wget https://huggingface.co/spaces/sayashi/vits-uma-genshin-honkai/resolve/main/model/D_0-p.pth -O ./pretrained_models/D_0.pthwget https://huggingface.co/spaces/sayashi/vits-uma-genshin-honkai/resolve/main/model/G_0-p.pth -O ./pretrained_models/G_0.pthwget https://huggingface.co/spaces/sayashi/vits-uma-genshin-honkai/resolve/main/model/config.json -O ./configs/finetune_speaker.jsonSTEP 2 配置训练数据集
可以选择上传视频，长音频，短音频进行训练，但所放置的位置不一样。
视频：./video_data/长音频：./raw_audio/短音频：./custom_character_voice/1.其中短音频的格式是： ├───Character_name_1 ├ ├───xxx.wav ├ ├───... ├ ├───yyy.mp3 ├ └───zzz.wav ├───Character_name_2 ├ ├───xxx.wav ├ ├───... ├ ├───yyy.mp3 ├ └───zzz.wav ├───... ├ └───Character_name_n ├───xxx.wav ├───... ├───yyy.mp3 └───zzz.wav质量要求：2秒以上，10秒以内，尽量不要有背景噪音。数量要求：一个角色至少10条，最好每个角色20条以上。2.以角色名命名的长音频文件，音频内只能有单说话人，背景音会被自动去除。命名格式为：{CharacterName}_{random_number}.wav(例如：Diana_234135.wav, MinatoAqua_234252.wav)，必须是.wav文件。3.以角色名命名的长视频文件，视频内只能有单说话人，背景音会被自动去除。命名格式为：{CharacterName}_{random_number}.mp4(例如：Taffy_332452.mp4, Dingzhen_957315.mp4)，必须是.mp4文件。STEP 3 自动处理所有加载的数据
对数据进行预处理
# 将所有视频（无论是上传的还是下载的，且必须是.mp4格式）抽取音频python video2audio.py# 将所有音频（无论是上传的还是从视频抽取的，必须是.wav格式）去噪python denoise_audio.py# 分割并标注长音频(如果没有就不用执行，{PRETRAINED_MODEL}如果用中日英就填写CJE，否则CJ)python long_audio_transcribe.py --languages "{PRETRAINED_MODEL}" --whisper_size medium标注短音频(如果没有就不用执行，{PRETRAINED_MODEL}如果用中日英就填写CJE，否则CJ)!python short_audio_transcribe.py --languages "{PRETRAINED_MODEL}" --whisper_size medium#运行好后会生成划分好训练/测试集的最终标注，以及配置文件
辅助训练数据（ADD_AUXILIARY）是从预训练的大数据集抽样得到的，作用在于保留预设角色的音色，以及防止模型在新的数据上过拟合。该选项只有在选择CJE模型的时候才能使用
#以下情况请选用：
#总样本少于100条/样本包含角色只有1人/样本质量一般或较差/样本来自爬取的视频/希望保留预训练模型的原说话人（赛马娘&原神角色）
python preprocess_v2.py --add_auxiliary_data True#以下情况可以不选用：
#总样本量很大/样本质量很高/希望加速训练/只有二次元角色
#样本仅包含单说话人会导致报错，请勾选ADD_AUXILIARY或加入几个dummy speaker绕过去
python preprocess_v2.pySTEP 4 开始训练
#开始微调模型，在30轮训练后会自动结束。
#训练时长取决于你录入/上传的音频总数。
#根据声线和样本质量的不同，所需的训练epochs数也不同。但是一般建议设置为30 epochs，
#你也可以在Tensorboard中预览合成效果，若效果满意可提前停止。
开启Tensorboard
tensorboard --logdir "./OUTPUT_MODEL"如果开启了辅助训练数据（ADD_AUXILIARY）请使用以下指令：
python finetune_speaker_v2.py -m "./OUTPUT_MODEL" --max_epochs "{Maximum_epochs}"#{Maximum_epochs}为你想要训练的Epoch否则执行以下指令：
python finetune_speaker_v2.py -m "./OUTPUT_MODEL" --max_epochs "{Maximum_epochs}" --drop_speaker_embed True#{Maximum_epochs}为你想要训练的EpochSTEP 5 本地推理
直接下载https://github.com/Plachtaa/VITS-fast-fine-tuning/releases/download/webui-v1.1/inference.rar
下载好并且解压缩之后之后将训练好的模型文件G_latest.pth以及配置文件config.json（请先改名为finetune_speaker.json）放入inference的根目录目录中，然后运行inference就能愉快的玩耍啦！