初尝 Mocking Bird 语音合成

Mocking Bird 是一款实时语音克隆工具，号称可以在 5 秒内克隆声音并生成任意语音内容。文章详细记录了从 Python 环境搭建到项目成功运行的步骤，包括 Python、CUDA、PyTorch、ffmpeg 的安装，以及各种依赖包的安装和问题解决。在安装过程中遇到了多个报错，并提供了相应的解决方案。成功运行了 web 界面，并验证了语音合成功能。 # 官方安装环境教程 运行工具箱(demo_toolbox.py)需要 Python 3.7 或更高版本。 - 安装 PyTorch - 如果在用 pip 方式安装的时候出现 ERROR: Could not find a version that satisfies the requirement torch==1.9.0+cu102 (from versions: 0.1.2, 0.1.2.post1, 0.1.2.post2) 这个错误可能是 python 版本过低，3.9 可以安装成功 - 安装 ffmpeg - 运行 pip install -r requirements.txt 来安装剩余的必要包。 - 安装 webrtcvad pip install webrtcvad-wheels。

或者 - 用 conda 或者 mamba 安装依赖 conda env create -n env_name -f env.yml mamba env create -n env_name -f env.yml 会创建新环境安装必须的依赖. 之后用 conda activate env_name 切换环境就完成了. - env.yml只包含了运行时必要的依赖，暂时不包括monotonic-align，如果想要装GPU版本的pytorch可以查看官网教程。

安装步骤

安装Python

按照官方给出的教程进行安装，首先是安装Python3，这里装的是Python3.9.13。选用镜像网站下载Python3安装包。在网站中找到python-3.9.13-amd64.exe，点击下载。 Python3.9.13安装的步骤如下，安装位置在哪里都行，方便寻找这里安装在D盘。

安装CUDA

进入PyTorch官网，选用GPU，如果GPU不支持选用CPU方式安装。 这里显示的是CUDA11.8，进入CUDA官网下载，根据电脑配置选择，安装类型选local ## CUDA安装如下

安装PyTorch

选一个剩余空间多的盘，创建MockingBird文件夹，进入这个文件夹，按住键盘上的Shift键的同时按下鼠标的右键，选在此处打开Powershell窗口，在里面输入python -m venv venv来实现创建虚拟环境，防止影响其他Python项目。 输入.venv\Scripts\pip3 -V回车得到类似下面的输出那么虚拟环境搭建成功。 输入.\venv\Scripts\python -m pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118进行安装PyTorch。

安装ffmpeg

打开ffmpeg网址选ffmpeg-master-latest-win64-gpl.zip下载。 将下载得到的zip包解压，并将其中的文件夹放入D盘的Program Files文件夹内。 这时候ffmpeg还没完全安装结束，还需要设置环境变量，打开win10设置。 找到win10设置中的关于打开高级系统设置。 找到系统属性中的环境变量。 选中Path，点击编辑。 新建环境变量，这里ffmpeg放在了D盘的Program Files中，路径为D:\Program Files\ffmpeg-master-latest-win64-gpl，将ffmpeg文件夹中bin文件夹的路径输入环境变量中，最后全部一路点确定。 检测ffmpeg环境变量是否设置成功，打开新的Powershell窗口，输入ffmpeg -version，如有以下输出，则说明ffmpeg的环境变量没问题。

安装剩余的包

此时项目源码还没下载，打开项目开源地址MockingBird下载源代码。 下载好的是zip包，解压后将里面的源代码复制到一开始创建的MockingBird文件夹里。 在该目录下打开PowerShell窗口，输入.\venv\Scripts\python -m pip install -r requirements.txt。 这时候报错了，ERROR: No matching distribution found for monotonic-align==0.0.3。 解决办法是打开目录下的requirements.txt文件，将==0.0.3删掉，然后再次执行.\venv\Scripts\python -m pip install -r requirements.txt安装剩余的包。 不出意外又要出意外，第二个报错出现了，ERROR: Failed building wheel for monotonic- align，再往下看报错信息，是缺少了C++编译环境导致无法编译成功。 解决办法是安装相应的环境，这里直接安装Visual Studio来修复。打开Visual Studio官网下载社区版就行了，下完后就进行安装，步骤如下。 将安装位置改为D盘。 工作负荷中只选使用C++的桌面开发，然后点右下角的安装，等待安装完成。 等待VS安装完后，再次执行.\venv\Scripts\python -m pip install -r requirements.txt安装剩余的包，这次就能成功编译。 接着再输入.\venv\Scripts\python -m pip install webrtcvad-wheels继续安装。 至此，项目环境基本搭建完成。

运行Mocking Bird

输入执行.\venv\Scripts\python web.py，会弹出一个防火墙，都勾上并点允许。 解决防火墙后又又看到报错了，PydanticImportError:pydantic:parse raw as has been removed in V2.，这开源项目，这东西已被从V2中移除，这兼容性一言难尽。 修复方法是安装旧版的，把 pydantic 版本降下来pip install "pydantic < 2.0.0"，执行.\venv\Scripts\python -m pip install "pydantic < 2.0.0"，等待安装完成后，再次执行.\venv\Scripts\python web.py，就成功跑起来了。 打开浏览器输入http://localhost:8080/即可看到效果，但是又报了一个错误，是缺少了模型文件。 去下载项目作者给出的模型https://pan.baidu.com/s/1iONvRxmkI-t1nHqxKytY3g 密码:4j5d（该链接挂了） 链接：https://pan.baidu.com/s/1jgSUX6I732CScoYPjzIW0g?pwd=w331 将模型放入\data\ckpt\synthesizer中，synthesizer是新建的文件夹，源代码中是不存在。 在PowerShell中按下Ctrl + C停止web端，再次重新执行.\venv\Scripts\python web.py，但是又又又看到一个报错，缺少模块。 缺少，那就安装。执行.venv\Scripts\python -m pip install audio recorder_streamlit 装完后再次运行web.py，这次终于没报错了，点击合成语音也能成功合成，cuda也动了起来。

参考资料:

• MockingBird README-CN
• 可以运行demo_toolbox.py，运行web.py报错
• 下载剩余的包 pip install -r requirements.txt 报错
• Could not find a version that satisfies the requirement monotonic-align==0.0.3 (from versions: 1.0.0)
• requirements里面的monotonic-align==0.0.3安装失败
• python安装包国内镜像，pip使用国内镜像