Irisia ProjectのBert-VITS2の学習結果

女性声優によるキャラクター演技音声のデータセットを提供しているIrisia Project様 (twitter, X: @IrisiaProject) のコーパスを利用して、テキスト合成音声TTSのライブラリBert-VITS2 (ver 2.1) を使って学習した結果の、合成された出力音声の結果まとめです。
7種類の原稿と、それぞれ17個のステップ数での出力が聞けます（合計7 * 17 = 119音声）。
手動人力xyplotともいいます。どれがいいかはあなたの耳で判断してください。（自分もがんばります。）
学習のやり方等については記事参照。

再生タイプ: 原稿:

選択された原稿の内容

原稿を選択してその内容を表示します。

サンプル1のオプション

ステップ数:

Current File

学習等詳細

Bert-VITS2 ver 2.1使用

設定： config.json、変更はバッチサイズ(4)とログのインターバル(50)とエポック数(100)のみ。

1kステップあたり約2.886エポック、100エポック終了扱い。

学習時間：100エポックが4070で5.45時間（実際はもっと短いエポックの学習で十分な質です）

学習データ：irisia_corpus_ver1.0のhigh_tension, low_tension, natural（ver1.0で2個抜けあり、ver1.1で修正済みだけどそっちは使ってません）から、それぞれからITAコーパスを取り除いた1422ファイル（合計121分37秒）、書き起こしはそのまま使用。

推論設定：改行ごとに分けて生成、パラメータはデフォ

ライセンス情報

この音声たちはTTSの研究評価用に生成されたものであり、本音声は研究用にのみ利用できます。詳しくは Irisia Projectの生成音声利用規約を御覧ください。