sound_dataset_tools2

介绍

本工具主要用于快速制作语音数据集，可一键导出VITS等项目所需的训练数据集

特色：

GUI界面！

中文文档

支持 音频+字幕/纯音频自动切割 两种方式导入数据（未来会更多）

自动优化了音频的切割效果，（尽量）避免出现断音

可直接导出符合VITS等项目要求的数据集格式，声道数/采样率均可设置

软件架构

数据库：sqlite、peewee

界面：PySide6

音频处理：FFMPEG、pydub等

安装教程

运行编译好的exe文件

进入 github 的 Release 界面 或 gitee 的发行版界面 根据提示下载对应的压缩包双击即可启动程序

从源代码运行

1. 克隆本项目

   gitee:

   git clone https://gitee.com/kslizi/sound_dataset_tools2.git
   

   github:

   git clone https://github.com/kslz/sound_dataset_tools2.git
   

2. 安装ffmpeg

   你可以通过配置环境变量，也可以将下载得到的ffmpeg压缩包解压然后在exe根目录下新建lib文件夹，将解压得到的bin文件夹改名为ffmpeg，然后复制到lib目录下，最后的目录结构如图所示

   

3. 安装其他库

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

使用说明

运行项目

python main.py

选择工作区

如果你当前的目录空间不足可以指定其他目录，导入的文件、数据库、生成的数据集都会存放在指定目录中

数据集选择界面

你可以在这里添加，修改，删除数据集。每个数据集之间互相独立。点击进入按钮，进入数据集。

数据集概览界面

在此你可以对数据进行导入、导出、处理等操作

导入数据

注意：所有导入数据的方式都经过了自动优化，关于自动优化的具体逻辑请见文末。

从文件导入（音频+字幕）

点击按钮，在弹窗中选择预先处理好的音频和字幕文件，支持视频文件和几乎所有（ffmpeg支持的）格式的音频文件导入，同时请输入发音人。关于字幕的获取请参见文末。

导入后的界面如图所示，你可以在左侧的下拉框中选择翻页，也可以点击试听音频段

从文件导入（长音频）

点击按钮，在弹窗中选择预先处理好的音频文件，支持视频文件和几乎所有（ffmpeg支持的）格式的音频文件导入，同时请输入合适的发音人、最短静音长度、静音阈值信息

最短静音长度：当静音长度达到这个数值时进行一次裁切

静音阈值：当音频响度低于这个数值时则视为静音，如果你的音频底噪很低，可以适当调低此值获得更好的结果，反之则提高。

导入后的界面如图所示，需要注意的是因为只有短音频，所以裁切出的音频段没有标注文本，将在未来引入语音识别以进行自动标注。

删除数据

根据源音频删除数据

点击按钮后选择一个当前数据集中数据对应的音频，点击确定后音频本身和相关联的数据都会被删除

导出数据

导出数据集（单发音人）

点击按钮后选择参数，你也可以选择对应预设然后点击应用按钮应用预设，如果你不了解这些值的含义使用默认即可。

注：

归一化：即响度匹配，会按照所输入的值进行音频音量进行自动缩放

目前的导出逻辑中将跳过标注文本中包含英文或数字的数据，不过如果有标注文本为空，仍会进行导出

点击下一步即可进行数据集导出，窗口可能会卡一下，请耐心等待。

导出后的文件可在对应目录找到

开发计划

编译exe版本

通过ASR标注

应用语音评测

应用声纹识别

导出多发音人数据集

快速导出

......

常见问题

1. 如何获取字幕？

   使用剪映或videoSRT等工具获取SRT字幕文件，可以参考以下链接：

   剪映导出字幕

   video-srt-windows

   videosrt-pro

2. 自动优化的逻辑？

   优化逻辑是从起位置开始向前截取10ms 检查这10ms和start到start+10两段的响度比较，如果前面的响度小则把start向前挪，直到找到一个响度最小的位置，end也是类似的逻辑，这样能尽量避免音频被截断

   另外剪映生成的字幕有时会讲一句话拆成多句，每句之间相隔33毫秒以内，遇到这种情况程序会将这些字幕合成一句。

3. 如何升级exe版本

   下载新的压缩包后将其中的exe文件替换到原来的旧版软件相同路径，覆盖原文件即可

4. 待补充...