iBooker/DracoUnion BV2 声音克隆辅助工具。把一段或多段视频/音频切成语音片段、做语音转写、整理标注数据，最终用于训练 Bert-VITS2（BV2）声音克隆模型。
pip install -r requirements.txt命令行入口有两种，等价：
BookerBV2Tool <子命令> [参数...]
bv2-tool <子命令> [参数...]典型的“从视频到训练数据”流水线：
视频/音频
│ (1) slice 按静音切分音频
▼
语音片段(WAV)
│ (2) resample 统一采样率
▼
WAV(目标采样率)
│ (3) mark 用 SenseVoice 逐段语音转写 → 每段生成 .wav.txt
▼
WAV + 转写(.txt)
│ (4) mklist 汇总为 speaker_list.json
▼
speaker_list.json
│ (5) preproc 划分训练/验证集、清洗文本 → train/val_list.json + config.json
▼
训练列表
│ (6) bert-gen 为每段生成 BERT 音素向量 *_bert.pt
▼
带 BERT 特征的数据
│ (7) train 训练模型（单机，有 GPU 用 CUDA，否则 CPU）
▼
模型权重
│ (8) infer 文本转语音合成
▼
合成音频(WAV)
这些参数放在子命令之前，对所有子命令生效（mark / preproc / bert-gen / infer 用）：
| 参数 | 默认值 | 说明 |
|---|---|---|
-v, --version |
— | 打印版本号 |
-sv, --sencevoice <路径> |
环境变量 SENCEVOICE_MODEL_PATH 或空 |
SenseVoice 模型目录（mark 用） |
-eb, --enlish-bert <模型> |
microsoft/deberta-v3-large |
英文 BERT 模型（注意拼写是 enlish） |
-cb, --chinese-bert <模型> |
hfl/chinese-roberta-wwm-ext-large |
中文 BERT 模型 |
-jb, --japanese-bert <模型> |
ku-nlp/deberta-v2-large-japanese-char-wwm |
日文 BERT 模型 |
# 例子：指定中文 BERT 模型跑 bert-gen
BookerBV2Tool -cb hfl/chinese-roberta-wwm-ext-large bert-gen -c config.json把一条较长的音频按静音切成多个语音片段。
BookerBV2Tool slice 音频文件 [-o 输出目录] [静音参数...]| 参数 | 默认值 | 说明 |
|---|---|---|
audio |
必填 | 输入音频路径 |
-o, --out |
输入文件所在目录 | 输出目录 |
-dt, --db_thresh |
-40 |
判定为静音的 dB 阈值 |
-ml, --min_length |
5000 |
每个切片的最小长度（毫秒） |
-mi, --min_interval |
300 |
触发切分的静音最小时长（毫秒） |
-hs, --hop_size |
10 |
帧长（毫秒） |
-mk, --max_sil_kept |
500 |
切片两端保留的静音最大时长（毫秒） |
输出为 原文件名_0.wav、原文件名_1.wav … 的片段，放在 -o 目录。
BookerBV2Tool slice lecture.mp4 -o clips约束：
min_length >= min_interval >= hop_size且max_sil_kept >= hop_size，否则报错。
把 WAV 重采样到目标采样率（训练通常需要统一采样率，如 44100）。
BookerBV2Tool resample 音频或目录 [-o 输出] [--sr 采样率] [-t 线程数]| 参数 | 默认值 | 说明 |
|---|---|---|
audio |
必填 | 单个 .wav 文件，或一个目录（目录下所有 wav 都会处理） |
--sr |
44100 |
目标采样率 |
-t, --threads |
8 |
并行线程数 |
-o, --out |
. |
输出目录 |
只处理 .wav 文件，非 WAV 会被忽略并提示。
BookerBV2Tool resample clips -o resampled --sr 44100对每个音频片段做语音转写（SenseVoice），为每个音频生成同名 .txt 旁注文件，
内容为转写文本（片段按出现顺序以空格连接）。
BookerBV2Tool -sv <SenseVoice模型路径> mark 音频或目录| 参数 | 默认值 | 说明 |
|---|---|---|
audio |
必填 | 单个音频，或一个目录（目录下所有文件逐个处理） |
依赖：
ffmpeg在 PATH 中（非.mp3输入会先用 ffmpeg 转成临时 mp3）。- SenseVoice 模型目录，通过
-sv或环境变量SENCEVOICE_MODEL_PATH指定； 该目录下需含fsmn-vad子目录作为 VAD 模型。
BookerBV2Tool -sv D:/models/SenseVoiceSmall mark resampled
# 生成 resampled/xxx.wav.txt扫描目录，把每个“WAV + 同名 .txt 旁注”汇总成 speaker_list.json。
BookerBV2Tool mklist 目录 [-r 角色] [-l 语言]| 参数 | 默认值 | 说明 |
|---|---|---|
dir |
必填 | 存有 WAV 文件的目录 |
-r, --role |
wizard |
说话人角色名 |
-l, --lang |
ZH |
语言，EN / ZH / JP 三选一 |
输出 speaker_list.json（写在该目录下），形如：
[
{"file": "a.wav", "role": "wizard", "lang": "ZH", "sub": "你好"},
{"file": "b.wav", "role": "wizard", "lang": "ZH", "sub": "世界"}
]规则：.txt 旁注不存在或内容为空的 WAV 会被跳过；目录里没有 WAV 或没有有效
标注时会提示并提前结束。
BookerBV2Tool mklist resampled -r my_role -l ZH读入标注列表，清洗文本（中文转拼音音素、数字转汉字、标点归一化等），按角色划分
训练/验证集，并更新 config.json（写入 spk2id、n_speakers、训练/验证文件路径）。
BookerBV2Tool preproc speaker_list.json [-tp 训练列表] [-vp 验证列表] [-cp 配置] [-vl 每语言验证数] [-mv 验证上限]| 参数 | 默认值 | 说明 |
|---|---|---|
transcription_path |
必填 | 标注列表（如 speaker_list.json） |
-tp, --train-path |
train_list.json |
训练列表输出路径 |
-vp, --val-path |
val_list.json |
验证列表输出路径 |
-cp, --config-path |
config.json |
输出的 BV2 配置文件路径 |
-vl, --val-per-lang |
4 |
每种语言每角色抽多少条做验证集 |
-mv, --max-val-total |
12 |
验证集总数上限（超出部分并入训练集） |
行为细节：
- 首次运行会生成
speaker_list_cleaned.json（清洗后的标注缓存），后续运行直接复用。 - 标注里
file对应的音频文件必须存在，否则该条被丢弃并提示； 同一音频匹配多条文本会被视为数据错误并丢弃。 - 生成的
config.json会写入version: "2.3"，并填入spk2id/n_speakers/training_files/validation_files。
BookerBV2Tool preproc speaker_list.json -tp train_list.json -vp val_list.json -cp config.json为训练/验证列表里的每条音频生成 BERT 音素特征，保存为 <音频名>_bert.pt（与音频同目录）。
BookerBV2Tool -cb <中文模型> -eb <英文模型> -jb <日文模型> bert-gen [-c 配置] [--num_processes 进程数]| 参数 | 默认值 | 说明 |
|---|---|---|
-c, --config |
config.json |
preproc 生成或手写的配置 |
--num_processes |
8 |
并行进程数 |
- 从配置里的
data.training_files和data.validation_files读取数据。 - 配置里
data.add_blank决定是否插入空白音素。 - 已存在
_bert.pt的条目会跳过（可断点续跑）。
BookerBV2Tool bert-gen -c config.json --num_processes 4用前面生成的数据训练 BV2 模型。单机训练：不再使用分布式进程组/DDP，设备
自动选择——有 CUDA 用 GPU，否则在 CPU 上运行（bf16 混合精度与 WavLM/SLM 损失
仅在设备支持/模型存在时启用）。
训练参数全部写在 config.json（train_ms.*、train.*、model.*、data.*），
命令行只指定配置路径。
BookerBV2Tool train [-c 配置]| 参数 | 默认值 | 说明 |
|---|---|---|
-c, --config |
config.json |
配置文件路径 |
注意事项：
config.json需含train_ms/train/model/data四段（preproc会以 包内config.json为模板合并生成）。- 音频采样率必须与
data.sampling_rate一致，否则加载数据时报 SR 不匹配。 data.add_blank决定是否插入空白音素。- WavLM（SLM 增强损失）需要本地模型目录
model.slm.model指向的 WavLM 模型； 路径不存在时自动退化为不含 SLM 的损失，便于在没有该模型时训练。 - 模型构建较慢（数千万参数）；CPU 上单步也要数秒到数分钟。
BookerBV2Tool train -c config.json用训练好的生成器检查点（G_*.pth）把文本合成为音频。支持当前版本 2.3 的模型。
BookerBV2Tool [-cb 中文模型] [-eb 英文模型] [-jb 日文模型] infer "要合成的文本" 模型路径 [-s 说话人] [-l 语言] [-o 输出] [合成参数...]| 参数 | 默认值 | 说明 |
|---|---|---|
text |
必填 | 待合成的文本 |
model |
必填 | 生成器检查点（G_*.pth） |
-c, --config |
config.json |
配置文件（含 model/data 架构与 spk2id） |
-s, --sid |
第一个说话人 | 说话人名字（须在 data.spk2id 中） |
-l, --language |
ZH |
语言，ZH / EN / JP |
-o, --out |
out.wav |
输出 WAV 路径 |
--sdp_ratio |
0.2 |
SDP 随机时长预测比例 |
--noise_scale |
0.6 |
生成噪声幅度 |
--noise_scale_w |
0.8 |
时长噪声幅度 |
--length_scale |
1.0 |
语速/长度缩放 |
模型架构按 config.json 重建；对应语言的 BERT 模型来自全局参数（默认英文
microsoft/deberta-v3-large 等）。设备同样自动选择（有 CUDA 用 GPU，否则 CPU）。
# 英文合成
BookerBV2Tool infer "Hello, this is a synthesized voice." models/G_3000.pth -l EN -s wizard -o out.wav# 1) 切成语音片段
BookerBV2Tool slice lecture.mp4 -o clips
# 2) 统一采样率
BookerBV2Tool resample clips -o resampled --sr 44100
# 3) 语音转写（需要 SenseVoice 模型 + ffmpeg）
BookerBV2Tool -sv D:/models/SenseVoiceSmall mark resampled
# 4) 生成标注列表
BookerBV2Tool mklist resampled -r wizard -l ZH
# 5) 划分训练/验证集并更新配置
BookerBV2Tool preproc resampled/speaker_list.json -tp train_list.json -vp val_list.json -cp config.json
# 6) 生成 BERT 特征
BookerBV2Tool bert-gen -c config.json --num_processes 4
# 7) 训练（单机，有 GPU 用 CUDA，否则 CPU）
BookerBV2Tool train -c config.json
# 8) 用训练好的模型合成语音
BookerBV2Tool infer "你好，这是测试。" logs/44k/G_3000.pth -l ZH -s my_role -o out.wavpython -m pytest tests/ -q详见 tests/README.md。