forked from openvpi/DiffSinger
-
Notifications
You must be signed in to change notification settings - Fork 1
/
Copy pathonnx_export_singer.py
292 lines (251 loc) · 20.6 KB
/
onnx_export_singer.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
# coding=utf8
import json
import os
import sys
import inference.svs.ds_e2e as e2e
from modules.fastspeech.pe import PitchExtractor
from usr.diff.shallow_diffusion_tts import GaussianDiffusion
from utils import load_ckpt
from utils.audio import save_wav
from utils.hparams import set_hparams, hparams
import acoustic.dfs_models as adm
import torch
import numpy as np
from utils.text_encoder import TokenTextEncoder
from usr.diffsinger_task import DIFF_DECODERS
root_dir = os.path.dirname(os.path.abspath(__file__))
os.environ['PYTHONPATH'] = f'"{root_dir}"'
sys.argv = [
f'{root_dir}/inference/svs/ds_e2e.py',
'--config',
f'{root_dir}/usr/configs/midi/e2e/opencpop/ds100_adj_rel.yaml',
'--exp_name',
'0228_opencpop_ds100_rel'
]
class GaussianDiffusionWrap(adm.GaussianDiffusionFS):
def forward(self, txt_tokens,
# Wrapped Arguments
spk_id,
pitch_midi,
midi_dur,
is_slur,
mel2ph,
):
# print(f"txt_tokens: {txt_tokens}")
# print(f"spk_id: {spk_id}")
# print(f"pitch_midi: {pitch_midi}")
# print(f"midi_dur: {midi_dur}")
# print(f"is_slur: {is_slur}")
# print(f"mel2ph: {mel2ph}")
if (torch.numel(mel2ph) == 0):
mel2ph = None
if (torch.numel(txt_tokens) == 0):
txt_tokens = None
if (torch.numel(spk_id) == 0):
spk_id = None
if (torch.numel(pitch_midi) == 0):
pitch_midi = None
if (torch.numel(midi_dur) == 0):
midi_dur = None
if (torch.numel(is_slur) == 0):
is_slur = None
return super().forward(txt_tokens, spk_id=spk_id, ref_mels=None, infer=True,
pitch_midi=pitch_midi, midi_dur=midi_dur,
is_slur=is_slur, mel2ph=mel2ph)
class DFSInferWrapped(e2e.DiffSingerE2EInfer):
def build_model(self):
model = GaussianDiffusionWrap(
phone_encoder=self.ph_encoder,
out_dims=hparams['audio_num_mel_bins'], denoise_fn=DIFF_DECODERS[hparams['diff_decoder_type']](
hparams),
timesteps=hparams['timesteps'],
K_step=hparams['K_step'],
loss_type=hparams['diff_loss_type'],
spec_min=hparams['spec_min'], spec_max=hparams['spec_max'],
)
model.eval()
load_ckpt(model, hparams['work_dir'], 'model')
if hparams.get('pe_enable') is not None and hparams['pe_enable']:
self.pe = PitchExtractor().to(self.device)
load_ckpt(self.pe, hparams['pe_ckpt'], 'model', strict=True)
self.pe.eval()
return model
class DFSInferWrapped2(e2e.DiffSingerE2EInfer):
def build_model(self):
model = adm.GaussianDiffusionDenoise(
phone_encoder=self.ph_encoder,
out_dims=hparams['audio_num_mel_bins'], denoise_fn=DIFF_DECODERS[hparams['diff_decoder_type']](
hparams),
timesteps=hparams['timesteps'],
K_step=hparams['K_step'],
loss_type=hparams['diff_loss_type'],
spec_min=hparams['spec_min'], spec_max=hparams['spec_max'],
)
model.eval()
load_ckpt(model, hparams['work_dir'], 'model')
if hparams.get('pe_enable') is not None and hparams['pe_enable']:
self.pe = PitchExtractor().to(self.device)
load_ckpt(self.pe, hparams['pe_ckpt'], 'model', strict=True)
self.pe.eval()
return model
if __name__ == '__main__':
set_hparams(print_hparams=False)
dev = 'cuda'
infer_ins = DFSInferWrapped(hparams)
infer_ins.model.to(dev)
infer_ins2 = DFSInferWrapped2(hparams)
infer_ins2.model.to(dev)
adm.device = dev
inp = {
'text': '小酒窝长睫毛AP是你最美的记号',
'notes': 'C#4/Db4 | F#4/Gb4 | G#4/Ab4 | A#4/Bb4 F#4/Gb4 | F#4/Gb4 C#4/Db4 | C#4/Db4 | rest | C#4/Db4 | A#4/Bb4 | G#4/Ab4 | A#4/Bb4 | G#4/Ab4 | F4 | C#4/Db4',
'notes_duration': '0.407140 | 0.376190 | 0.242180 | 0.509550 0.183420 | 0.315400 0.235020 | 0.361660 | 0.223070 | 0.377270 | 0.340550 | 0.299620 | 0.344510 | 0.283770 | 0.323390 | 0.360340',
'input_type': 'word'
} # user input: Chinese characters
with torch.no_grad():
inp = infer_ins.preprocess_input(
inp, input_type=inp['input_type'] if inp.get('input_type') else 'word')
sample = infer_ins.input_to_batch(inp)
txt_tokens = sample['txt_tokens'] # [B, T_t]
spk_id = sample.get('spk_ids')
pitch_midi = sample['pitch_midi']
midi_dur = sample['midi_dur']
is_slur = sample['is_slur']
print(f'txt_tokens: {txt_tokens.shape}')
print(f'pitch_midi: {pitch_midi.shape}')
print(f'midi_dur: {midi_dur.shape}')
print(f'is_slur: {is_slur.shape}')
torch.onnx.export(
infer_ins.model,
(
txt_tokens.to(dev),
spk_id.to(dev),
pitch_midi.to(dev),
midi_dur.to(dev),
is_slur.to(dev),
spk_id.to(dev),
),
"singer_fs.onnx",
verbose=True,
input_names=["txt_tokens", "spk_id",
"pitch_midi", "midi_dur", "is_slur", "mel2ph"],
dynamic_axes={
"txt_tokens": {
0: "a",
1: "b",
},
"spk_id": {
0: "a",
1: "b",
},
"pitch_midi": {
0: "a",
1: "b",
},
"midi_dur": {
0: "a",
1: "b",
},
"is_slur": {
0: "a",
1: "b",
}
},
opset_version=11
)
inp = {
"text": "AP 还 记 得 那 场 音 乐 会 的 烟 火 AP 还 记 得 那 个 凉 凉 的 深 秋 AP 还 记 得 人 潮 把 你 推 向 了 我 AP 游 乐 园 拥 挤 的 正 是 时 候 AP 一 个 夜 晚 坚 持 不 睡 的 等 候 AP 一 起 泡 温 泉 奢 侈 的 享 受 AP 有 一 次 日 记 里 愚 蠢 的 困 惑 AP 因 为 你 的 微 笑 幻 化 成 风 AP 你 大 大 的 勇 敢 保 护 着 我 AP 我 小 小 的 关 怀 喋 喋 不 休 AP 感 谢 我 们 一 起 走 了 那 么 久 AP 又 再 一 次 回 到 凉 凉 深 秋 AP 给 你 我 的 手 SP 像 温 柔 野 兽 AP 把 自 由 交 给 草 原 的 辽 阔 AP 我 们 小 手 拉 大 手 AP 一 起 郊 游 SP 今 天 别 想 太 多 AP 你 是 我 的 梦 AP 像 北 方 的 风 AP 吹 着 南 方 暖 洋 洋 的 哀 愁 AP 我 们 小 手 拉 大 手 AP 今 天 加 油 SP 向 昨 天 挥 挥 手 SP",
"ph_seq": "AP h ai j i d e n a ch ang y in y ve h ui d e y an h uo uo AP h ai j i d e n a g e l iang l iang d e sh en en q iu iu AP h ai j i d e r en ch ao b a n i t ui x iang l e w o o AP y ou l e y van y ong j i d e zh eng sh i sh i h ou ou AP y i g e y e w an j ian ch i b u sh ui d e d eng h ou ou AP y i q i p ao w en q van sh e ch i d e x iang iang sh ou ou AP y ou y i c i r i j i l i y v ch un d e k un h uo uo AP y in w ei n i d e w ei x iao h uan h ua ch eng f eng eng AP n i d a d a d e y ong g an b ao h u zh e w o o AP w o x iao x iao d e g uan h uai d ie d ie b u x iu iu AP g an x ie w o m en y i q i z ou l e n a m e j iu iu AP y ou z ai y i c i h ui d ao ao l iang l iang sh en q iu iu AP g ei n i w o d e sh ou SP x iang w en r ou y e sh ou AP b a z i y ou j iao g ei c ao y van d e l iao iao k uo uo uo AP w o m en x iao sh ou l a d a sh ou AP y i q i j iao iao y ou SP j in t ian b ie x iang t ai d uo uo AP n i sh i w o d e m eng AP x iang b ei f ang d e f eng AP ch ui zh e n an f ang n uan y ang y ang d e ai ai ch ou ou ou AP w o m en x iao sh ou l a d a sh ou AP j in t ian j ia ia y ou SP x iang z uo t ian h ui h ui ui sh ou ou ou SP",
"note_seq": "rest G3 G3 G3 G3 A3 A3 C4 C4 D4 D4 E4 E4 A4 A4 G4 G4 E4 E4 D4 D4 D4 D4 C4 rest C4 C4 D4 D4 C4 C4 B3 B3 C4 C4 F4 F4 A3 A3 C4 C4 D4 D4 E4 E4 E4 D4 rest D4 D4 E4 E4 D4 D4 C#4 C#4 D4 D4 G4 G4 B3 B3 D4 D4 E4 E4 D4 D4 D4 D4 C4 rest C4 C4 D4 D4 C4 C4 B3 B3 C4 C4 F4 F4 A3 A3 C4 C4 A3 A3 A3 A3 G3 rest G3 G3 G3 G3 A3 A3 C4 C4 D4 D4 E4 E4 A4 A4 G4 G4 E4 E4 D4 D4 D4 D4 C4 rest C4 C4 D4 D4 C4 C4 B3 B3 C4 C4 F4 F4 A3 A3 C4 C4 D4 D4 E4 E4 E4 D4 rest D4 D4 E4 E4 D4 D4 C#4 C#4 D4 D4 G4 G4 B3 B3 D4 D4 E4 E4 D4 D4 D4 D4 C4 rest C4 C4 D4 D4 C4 C4 B3 B3 C4 C4 F4 F4 A3 A3 C4 C4 D4 D4 D4 D4 C4 rest E4 E4 F4 F4 E4 E4 D4 D4 E4 E4 F4 F4 E4 E4 D4 D4 E4 E4 E4 E4 F4 rest F4 F4 G4 G4 F4 F4 G4 G4 F4 F4 E4 E4 D4 D4 C4 C4 D4 D4 D4 D4 E4 rest E4 E4 E4 E4 D4 D4 C#4 C#4 E4 E4 E4 E4 D4 D4 D4 D4 D4 D4 C#4 C#4 C#4 C#4 D4 rest D4 D4 D4 D4 E4 E4 F#4 F#4 D4 D4 G4 G4 A4 G4 G4 G4 G4 F#4 F#4 F#4 F#4 G4 rest E4 E4 F4 F4 E4 E4 F4 F4 G4 G4 rest E4 E4 F4 F4 E4 E4 F4 F4 G4 G4 rest G4 G4 A4 A4 G4 G4 A4 A4 B4 B4 C5 C5 E4 E4 E4 E4 G4 G4 A4 A4 A4 G4 G4 rest C4 C4 D4 D4 C4 C4 F4 F4 E4 E4 D4 D4 C4 C4 rest F4 F4 E4 E4 D4 D4 C4 C4 C4 rest C4 C4 D4 D4 A3 A3 C4 C4 E4 E4 E4 E4 G4 rest E4 E4 F4 F4 E4 E4 F4 F4 G4 G4 rest E4 E4 F4 F4 E4 E4 F4 F4 G4 G4 rest G4 G4 A4 A4 G4 G4 A4 A4 B4 B4 C5 C5 E4 E4 E4 E4 G4 A4 A4 A4 G4 G4 rest C4 C4 D4 D4 C4 C4 F4 F4 E4 E4 D4 D4 C4 C4 rest F4 F4 E4 E4 D4 D4 C4 C4 C4 rest C4 C4 D4 D4 A3 A3 C4 C4 C4 C4 D4 D4 D4 C4 C4 rest",
"note_dur_seq": "0.6 0.29218 0.29218 0.289358 0.289358 0.200769 0.200769 0.21282 0.21282 0.278718 0.278718 0.461538 0.461538 0.169423 0.169423 0.522884 0.522884 0.230769 0.230769 0.200768 0.200768 0.30577 0.30577 0.302885 0.314423 0.182052 0.182052 0.309486 0.309486 0.212052 0.212052 0.234487 0.234487 0.230768 0.230768 0.461666 0.461666 0.245642 0.245642 0.335193 0.335193 0.301154 0.301154 0.188012 0.374488 0.374488 0.288462 0.343847 0.191731 0.191731 0.284806 0.284806 0.230769 0.230769 0.1925 0.1925 0.269038 0.269038 0.416538 0.416538 0.232179 0.232179 0.40013 0.40013 0.305768 0.305768 0.252502 0.252502 0.284037 0.284037 0.274038 0.393268 0.212823 0.212823 0.228717 0.228717 0.230769 0.230769 0.195062 0.195062 0.266092 0.266092 0.401922 0.401922 0.224103 0.224103 0.423205 0.423205 0.506541 0.506541 0.335769 0.335769 0.274038 0.373269 0.147946 0.147946 0.313592 0.313592 0.230769 0.230769 0.230771 0.230771 0.153521 0.153521 0.523783 0.523783 0.171155 0.171155 0.536154 0.536154 0.217755 0.217755 0.213784 0.213784 0.305768 0.305768 0.288462 0.358846 0.156602 0.156602 0.274937 0.274937 0.237691 0.237691 0.223847 0.223847 0.206023 0.206023 0.411284 0.411284 0.335769 0.335769 0.362692 0.362692 0.259232 0.259232 0.196152 0.42404 0.42404 0.230769 0.373271 0.169932 0.169932 0.224616 0.224616 0.297759 0.297759 0.200766 0.200766 0.202178 0.202178 0.520132 0.520132 0.172561 0.172561 0.519747 0.519747 0.174544 0.174544 0.246543 0.246543 0.316218 0.316218 0.274038 0.393268 0.201862 0.201862 0.224677 0.224677 0.245772 0.245772 0.230765 0.230765 0.159743 0.159743 0.472567 0.472567 0.255062 0.255062 0.381793 0.381793 0.450713 0.450713 0.430895 0.430895 0.317308 0.300961 0.201923 0.201923 0.277567 0.277567 0.225059 0.225059 0.202567 0.202567 0.212821 0.212821 0.495642 0.495642 0.177497 0.177497 0.454805 0.454805 0.490774 0.490774 0.219999 0.219999 0.418269 0.317951 0.146472 0.146472 0.281734 0.281734 0.261725 0.261725 0.215774 0.215774 0.18737 0.18737 0.519933 0.519933 0.184619 0.184619 0.47769 0.47769 0.387759 0.387759 0.307435 0.307435 0.389423 0.314999 0.176089 0.176089 0.300448 0.300448 0.20077 0.20077 0.260772 0.260772 0.132239 0.132239 0.488848 0.488848 0.299037 0.299037 0.40449 0.40449 0.260768 0.260768 0.229999 0.229999 0.234425 0.234425 0.461538 0.257883 0.173526 0.173526 0.30519 0.30519 0.12564 0.12564 0.288726 0.288726 0.243713 0.243713 0.191862 0.191862 0.271729 0.224616 0.224616 0.390127 0.390127 0.446539 0.446539 0.296796 0.296796 0.346154 0.372691 0.245772 0.245772 0.230765 0.230765 0.230773 0.230773 0.154036 0.154036 0.669808 0.669808 0.240002 0.320765 0.320765 0.230773 0.230773 0.230765 0.230765 0.154235 0.154235 0.669613 0.669613 0.330002 0.161406 0.161406 0.300128 0.300128 0.215579 0.215579 0.245963 0.245963 0.156989 0.156989 0.535318 0.535318 0.230765 0.230765 0.43154 0.43154 0.190386 0.190386 0.245194 0.374998 0.374998 0.418269 0.375 0.281472 0.206603 0.206603 0.213011 0.213011 0.187179 0.187179 0.507887 0.507887 0.202178 0.202178 0.416666 0.416666 0.523464 0.523464 0.272302 0.14603 0.14603 0.486288 0.486288 0.379034 0.379034 0.10878 0.309489 0.309489 0.140773 0.219737 0.219737 0.517568 0.517568 0.159747 0.159747 0.442556 0.442556 0.520964 0.520964 0.219808 0.219808 0.432692 0.301156 0.156398 0.156398 0.305141 0.305141 0.230769 0.230769 0.164477 0.164477 0.702636 0.702636 0.196736 0.320766 0.320766 0.200763 0.200763 0.260776 0.260776 0.164668 0.164668 0.702445 0.702445 0.226735 0.249805 0.249805 0.241725 0.241725 0.23077 0.23077 0.245777 0.245777 0.211666 0.211666 0.495642 0.495642 0.230769 0.230769 0.446531 0.446531 0.189813 0.211423 0.40877 0.40877 0.403846 0.302885 0.344417 0.21577 0.21577 0.192134 0.192134 0.217311 0.217311 0.513632 0.513632 0.206942 0.206942 0.407118 0.407118 0.527675 0.527675 0.197889 0.260768 0.260768 0.43334 0.43334 0.377233 0.377233 0.142502 0.218075 0.218075 0.153459 0.259494 0.259494 0.44782 0.44782 0.241672 0.241672 0.401343 0.401343 0.299097 0.299097 0.173413 0.374664 0.374664 0.475962 0.389423 0.5",
"is_slur_seq": "0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 0",
"ph_dur": "0.6 0.165 0.12718 0.103589 0.185769 0.045 0.155769 0.075 0.13782 0.092949 0.185769 0.045 0.416538 0.045 0.124423 0.106346 0.416538 0.045 0.185769 0.045 0.155768 0.075001 0.230769 0.302885 0.314423 0.075 0.107052 0.123717 0.185769 0.045 0.167052 0.063717 0.17077 0.059999 0.170769 0.06 0.401666 0.059873 0.185769 0.045 0.290193 0.171346 0.129808 0.188012 0.143719 0.230769 0.288462 0.343847 0.059999 0.131732 0.099037 0.185769 0.045 0.185769 0.045 0.1475 0.083269 0.185769 0.045 0.371538 0.09 0.142179 0.088591 0.311539 0.15 0.155768 0.075001 0.177501 0.053268 0.230769 0.274038 0.393268 0.025002 0.187821 0.042948 0.185769 0.045 0.185769 0.045 0.150062 0.080708 0.185384 0.045385 0.356537 0.105001 0.119102 0.111668 0.311537 0.150002 0.356539 0.105 0.230769 0.274038 0.373269 0.045 0.102946 0.127823 0.185769 0.045 0.185769 0.045 0.185771 0.044998 0.108523 0.122246 0.401537 0.060001 0.111154 0.119616 0.416538 0.045 0.172755 0.058014 0.15577 0.074999 0.230769 0.288462 0.358846 0.045 0.111602 0.119167 0.15577 0.074999 0.162692 0.068077 0.15577 0.074999 0.131024 0.099745 0.311539 0.15 0.185769 0.045 0.317692 0.143847 0.115385 0.196152 0.150002 0.274038 0.230769 0.373271 0.044998 0.124934 0.105835 0.118781 0.111988 0.185771 0.044998 0.155768 0.075001 0.127177 0.103592 0.41654 0.044998 0.127563 0.103207 0.41654 0.044998 0.129546 0.101223 0.14532 0.085449 0.230769 0.274038 0.393268 0.025002 0.17686 0.053909 0.170768 0.060001 0.185771 0.044998 0.185767 0.045002 0.114741 0.116028 0.356539 0.105 0.150062 0.080708 0.301085 0.160454 0.290259 0.17128 0.259615 0.317308 0.300961 0.045193 0.15673 0.074039 0.203528 0.027241 0.197818 0.032951 0.169616 0.061153 0.151668 0.079102 0.41654 0.044998 0.132499 0.09827 0.356535 0.105003 0.385771 0.075768 0.144231 0.418269 0.317951 0.042625 0.103847 0.126923 0.154811 0.075958 0.185767 0.045002 0.170772 0.059998 0.127372 0.103397 0.416536 0.045002 0.139617 0.091152 0.386538 0.075001 0.312758 0.148781 0.158654 0.389423 0.314999 0.060001 0.116088 0.114681 0.185767 0.045002 0.155768 0.075001 0.185771 0.044998 0.087241 0.143528 0.34532 0.116219 0.182818 0.047951 0.356539 0.105 0.155768 0.075001 0.154998 0.075771 0.158654 0.461538 0.257883 0.045002 0.128524 0.102245 0.202945 0.027824 0.097816 0.132954 0.155772 0.074997 0.168716 0.062054 0.129808 0.271729 0.060001 0.164615 0.066154 0.323973 0.137566 0.308973 0.152565 0.144231 0.346154 0.372691 0.060001 0.185771 0.044998 0.185767 0.045002 0.185771 0.044998 0.109038 0.121731 0.548077 0.240002 0.134998 0.185767 0.045002 0.185771 0.044998 0.185767 0.045002 0.109233 0.121536 0.548077 0.330002 0.044998 0.116408 0.114361 0.185767 0.045002 0.170577 0.060192 0.185771 0.044998 0.111991 0.118778 0.41654 0.044998 0.185767 0.045002 0.386538 0.075001 0.115385 0.245194 0.10096 0.274038 0.418269 0.375 0.281472 0.035835 0.170768 0.060001 0.15301 0.077759 0.10942 0.121349 0.386538 0.075001 0.127177 0.103592 0.313074 0.148464 0.375 0.272302 0.045006 0.101024 0.129745 0.356543 0.104996 0.274038 0.10878 0.07872 0.230769 0.140773 0.089996 0.129741 0.101028 0.41654 0.044998 0.114749 0.11602 0.326536 0.135002 0.385962 0.075577 0.144231 0.432692 0.301156 0.044998 0.1114 0.11937 0.185771 0.044998 0.185771 0.044998 0.119479 0.11129 0.591346 0.196736 0.134995 0.185771 0.044998 0.155765 0.075005 0.185771 0.044998 0.11967 0.111099 0.591346 0.226735 0.104996 0.144809 0.08596 0.155765 0.075005 0.155765 0.075005 0.170772 0.059998 0.151668 0.079102 0.41654 0.044998 0.185771 0.044998 0.401533 0.189813 0.211423 0.120308 0.288462 0.403846 0.302885 0.344417 0.045006 0.170764 0.060005 0.132129 0.09864 0.118671 0.112099 0.401533 0.060005 0.146937 0.083832 0.323286 0.138252 0.389423 0.197889 0.104996 0.155772 0.074997 0.358343 0.103195 0.274038 0.142502 0.044998 0.173077 0.153459 0.135002 0.124492 0.106277 0.341543 0.119995 0.121677 0.109093 0.29225 0.169289 0.129808 0.173413 0.158318 0.216346 0.475962 0.389423 0.5",
"input_type": "phoneme"
}
with torch.no_grad():
inp = infer_ins.preprocess_input(
inp, input_type=inp['input_type'] if inp.get('input_type') else 'word')
sample = infer_ins.input_to_batch(inp)
txt_tokens = sample['txt_tokens'] # [B, T_t]
spk_id = sample.get('spk_ids')
pitch_midi = sample['pitch_midi']
midi_dur = sample['midi_dur']
is_slur = sample['is_slur']
mel2ph = sample['mel2ph']
print(f'txt_tokens: {txt_tokens.shape}')
print(f'pitch_midi: {pitch_midi.shape}')
print(f'midi_dur: {midi_dur.shape}')
print(f'is_slur: {is_slur.shape}')
print(f'mel2ph: {mel2ph.shape}')
torch.onnx.export(
infer_ins.model,
(
txt_tokens.to(dev),
spk_id.to(dev),
pitch_midi.to(dev),
midi_dur.to(dev),
is_slur.to(dev),
mel2ph.to(dev),
),
"singer_fs_ph.onnx",
verbose=True,
input_names=["txt_tokens", "spk_id",
"pitch_midi", "midi_dur", "is_slur", "mel2ph"],
dynamic_axes={
"txt_tokens": {
0: "a",
1: "b",
},
"spk_id": {
0: "a",
1: "b",
},
"pitch_midi": {
0: "a",
1: "b",
},
"midi_dur": {
0: "a",
1: "b",
},
"is_slur": {
0: "a",
1: "b",
},
"mel2ph": {
0: "a",
1: "b",
}
},
opset_version=11
)
with torch.no_grad():
torch.onnx.export(
infer_ins2.model,
(
torch.rand(1, 1, 80, 967).to(dev),
torch.full((1,), 1, dtype=torch.long).to(dev),
torch.rand(1, 256, 967).to(dev),
),
"singer_denoise.onnx",
verbose=True,
input_names=[
"x",
"t",
"cond",
],
dynamic_axes={
"x": {
0: "batch_size",
2: "num_mel_bin",
3: "frames",
},
"cond": {
0: "batch_size",
1: "what",
2: "frames",
},
},
opset_version=11
)
print("OK")