split decoder into sosoa and vocoder

README.md

@@ -42,9 +42,8 @@ python run.py \
 ```
 
 ## モデルをonnxに変換
-* `python convert.py --yukarin_s_model_dir "model/yukarin_s" --yukarin_sa_model_dir "model/yukarin_sa" --yukarin_sosoa_model_dir "model/yukarin_sosoa" --hifigan_model_dir "model/hifigan"` でonnxへの変換が可能。modelフォルダ内のyukarin_s, yukarin_sa, yukarin_sosoaフォルダにonnxが保存される。
+* `python convert.py --yukarin_s_model_dir "model/yukarin_s" --yukarin_sa_model_dir "model/yukarin_sa" --yukarin_sosoa_model_dir "model/yukarin_sosoa" --hifigan_model_dir "model/hifigan"` でonnxへの変換が可能。`--working_dir`で指定したフォルダ（デフォルトはmodel）にonnxが保存される。
   - `speaker_ids`オプションに指定する数値は自由。どの数値を指定しても生成されるonnxモデルは全ての`speaker_id`に対応しており、値を変えて実行しなおしたり、複数のidを指定したりする必要は無い。
-  - yukarin_sosoaフォルダにはhifi_ganと合わせた`decode.onnx`が保存される
   - yukarin_sosfはオプショナルで、追加する場合は`--yukarin_sosf_model_dir "model/yukarin_sosf"`などを指定する
 
 * onnxで実行したい場合は`run.py`を`--method=onnx`で実行する； `python run.py --yukarin_s_model_dir "model" --yukarin_sa_model_dir "model" --yukarin_sosoa_model_dir "model" --hifigan_model_dir "model"  --speaker_ids 5  --method=onnx`
@@ -86,7 +85,7 @@ python run.py \
 
 ## 自分で学習したモデルの onnx を作りたい場合
 
-VOICEVOX をビルドするには以下の 3 つの onnx が必要です。
+VOICEVOX をビルドするには以下の 4 つの onnx が必要です。
 （predict_contourはオプショナルです。）
 
 - predict_duration.onnx
@@ -161,7 +160,7 @@ VOICEVOX をビルドするには以下の 3 つの onnx が必要です。
       - shape: [length]
       - dtype: bool
       - 値は True か False
-- decode.onnx
+- predict_spectrogram.onnx
   - 入力
     - f0
       - shape: [length, 1]
@@ -173,14 +172,28 @@ VOICEVOX をビルドするには以下の 3 つの onnx が必要です。
     - speaker_id
       - shape: [1]
       - dtype: int
+  - 出力
+    - spec
+      - shape: [length, feats]
+      - dtype: float
+      - 周波数分解能が feats のメルスペクトログラム
+- vocoder.onnx
+  - 入力
+    - f0
+      - shape: [length, 1]
+      - dtype: float
+    - spec
+      - shape: [length, feats]
+      - dtype: float
+      - 周波数分解能が feats のメルスペクトログラム
   - 出力
     - wave
       - shape: [outlength]
       - dtype: float
       - 値は [-1.0, 1.0] の音声波形
       - サンプリング周波数は 24kHz
 
-音素 id は辞書に依存します。また predict_duration.onnx や predict_intonation.onnx の出力はコアによって変換されて decode.onnx の入力になります。コアを変更しない場合は phoneme_length を元に f0 と phoneme が 93.75(=24k/256)Hz になるように変換されます。
+音素 id は辞書に依存します。また predict_duration.onnx や predict_intonation.onnx の出力はコアによって変換されて predict_spectrogram.onnx や vocoder.onnx の入力になります。コアを変更しない場合は phoneme_length を元に f0 と phoneme と spec が 93.75(=24k/256)Hz になるように変換されます。
 
 ## パッケージの追加・更新
 

convert.py

@@ -204,7 +204,7 @@ def convert_spectrogram(model_dir: Path, device: str, offset: int, working_dir:
         dynamic_axes={
             "f0": {0: "length"},
             "phoneme": {0: "length"},
-            "spec": {0: "row", 1: "col"}
+            "spec": {0: "length", 1: "feats"}
         }
     )
     return outpath, size
@@ -221,7 +221,7 @@ def convert_vocoder(model_dir: Path, device: str, working_dir: Path, sample_inpu
         to_tensor(sample_input["spec"], device=device),
         to_tensor(sample_input["f0"], device=device),
     )
-    outpath = working_dir.joinpath(f"vocoder.onnx")
+    outpath = working_dir.joinpath(f"vocoder_unopt.onnx")
     torch.onnx.export(
         wrapper,
         args,
@@ -231,7 +231,7 @@ def convert_vocoder(model_dir: Path, device: str, working_dir: Path, sample_inpu
         input_names=["spec", "f0"],
         output_names=["wave"],
         dynamic_axes={
-            "spec": {0: "row", 1: "col"},
+            "spec": {0: "length", 1: "feats"},
             "f0": {0: "length"},
         }
     )
@@ -431,52 +431,6 @@ def rename(graph, prefix: str, freeze_names: List[str]):
     logger.info(f"saved {output_onnx_path}")
     return output_onnx_path
 
-
-def fuse(onnx1: Path, onnx2: Path):
-    """ふたつのONNXモデルを直列に接続する。spectrogramとvocoderを接続するために利用する。"""
-    # you can use onnx.compose.merge_models
-    # https://github.com/onnx/onnx/blob/main/docs/PythonAPIOverview.md#onnx-compose
-    logger = logging.getLogger("fuse")
-    model1 = onnx.load(onnx1)
-    model2 = onnx.load(onnx2)
-    opset = model1.opset_import[0].version
-    logger.info("opset: %d" % opset)
-
-    merged_graph = onnx.GraphProto()
-    merged_graph.node.extend(model1.graph.node)
-    merged_graph.node.extend(model2.graph.node)
-    # model1のoutputであるspecはそのままmodel2のinputであるspecに接続される
-    merged_graph.input.extend(model1.graph.input)
-    merged_graph.output.extend(model2.graph.output)
-
-    init1 = set([i.name for i in model1.graph.initializer])
-    init2 = set([i.name for i in model2.graph.initializer])
-    assert len(init1 & init2) == 0
-    merged_graph.initializer.extend(model1.graph.initializer)
-    merged_graph.initializer.extend(model2.graph.initializer)
-
-    spinit1 = set([i.name for i in model1.graph.sparse_initializer])
-    spinit2 = set([i.name for i in model2.graph.sparse_initializer])
-    assert len(spinit1 & spinit2) == 0
-    merged_graph.sparse_initializer.extend(model1.graph.sparse_initializer)
-    merged_graph.sparse_initializer.extend(model2.graph.sparse_initializer)
-
-    info1 = set([i.name for i in model1.graph.value_info])
-    info2 = set([i.name for i in model2.graph.value_info])
-    assert len(info1 & info2) == 0
-    merged_graph.value_info.extend(model1.graph.value_info)
-    merged_graph.value_info.extend(model2.graph.value_info)
-
-    merged_graph.name = "decoder"
-
-    merged = onnx.helper.make_model(merged_graph, opset_imports=[onnx.helper.make_operatorsetid("", opset)])
-    logger.info(f"fused {onnx1} and {onnx2}")
-    output_onnx_path = onnx1.parent / "decode_unopt.onnx"
-    onnx.checker.check_model(merged)
-    onnx.save(merged, output_onnx_path)
-    logger.info(f"saved {output_onnx_path}")
-    return output_onnx_path
-
 def optim(path: Path, output_path: Path):
     """ONNX Runtime sessionを作るときに走る最適化を利用する"""
     sess_options = onnxruntime.SessionOptions()
@@ -570,13 +524,14 @@ def run(
     if len(contour_onnx_list) > 0:
         contour_merged_onnx = concat(contour_onnx_list, offsets)
     spectrogram_merged_onnx = concat(spectrogram_onnx_list, offsets)
-    decoder_onnx = fuse(spectrogram_merged_onnx, vocoder_onnx)
     logger.info("--- optimization ---")
     optim(duration_merged_onnx, working_dir / "duration.onnx")
     optim(intonation_merged_onnx, working_dir / "intonation.onnx")
     if len(contour_onnx_list) > 0:
         optim(contour_merged_onnx, working_dir / "contour.onnx")
-    optim(decoder_onnx, working_dir / "decode.onnx")
+    optim(spectrogram_merged_onnx, working_dir / "spectrogram.onnx")
+    optim(vocoder_onnx, working_dir / "vocoder.onnx")
+
     logger.info("--- DONE! ---")
 
 

run.py

@@ -1,5 +1,6 @@
 import argparse
 from itertools import product
+import numpy as np
 from pathlib import Path
 from typing import List, Optional
 
@@ -19,6 +20,7 @@ def run(
     speaker_ids: List[int],
     method: str,
 ):
+    np.random.seed(0)
     device = "cuda" if use_gpu else "cpu"
     if method == "torch":
         from vv_core_inference.make_decode_forwarder import make_decode_forwarder

vv_core_inference/onnx_decode_forwarder.py

@@ -9,8 +9,12 @@ def make_decode_forwarder(yukarin_sosoa_model_dir: Path, hifigan_model_dir: Path
     providers = ['CPUExecutionProvider']
     if device == "cuda":
       providers.insert(0, 'CUDAExecutionProvider')
-    session = onnxruntime.InferenceSession(
-      str(yukarin_sosoa_model_dir.joinpath("decode.onnx")),
+    spectrogram_session = onnxruntime.InferenceSession(
+      str(yukarin_sosoa_model_dir.joinpath("spectrogram.onnx")),
+      providers=providers
+    )
+    vocoder_session = onnxruntime.InferenceSession(
+      str(hifigan_model_dir.joinpath("vocoder.onnx")),
       providers=providers
     )
 
@@ -26,10 +30,14 @@ def _dispatcher(
         if speaker_id is not None:
             speaker_id = np.asarray(speaker_id)
             speaker_id = speaker_id.reshape((1,)).astype(np.int64)
-        wave = session.run(["wave"], {
+        spec = spectrogram_session.run(["spec"], {
             "f0": f0,
             "phoneme": phoneme,
             "speaker_id": speaker_id,
         })[0]
+        wave = vocoder_session.run(["wave"], {
+            "spec": spec,
+            "f0": f0,
+        })[0]
         return None, wave
     return _dispatcher