本文主要实现了基于fastspeech2模型的语音合成项目，并训练自己的语音模型~~
环境：Ubuntu(docker),pytorch,
项目地址1(中英文)
GitHub - ming024/FastSpeech2: An implementation of Microsoft's "FastSpeech 2: Fast and High-Quality End-to-End Text to Speech"
环境配置
（进入docker容器内运行）
git clone /ming024/FastSpeech2cd FastSpeech2pip3 install -r requirements.txt
下载预训练模型并将它们存入新建文件夹，以下路径下output/ckpt/LJSpeech/、 output/ckpt/AISHELL3或output/ckpt/LibriTTS/。如果是docker容器的情况下，先下载到本地再复制到容器内，不是的话可忽略这步。
docker cp "/home/user/LJSpeech_900000.zip" torch:/workspace/tts-pro/FastSpeech2/output/ckpt/LJSpeech
对于英语单扬声器 TTS，运行
python3 synthesize.py --text "YOUR_DESIRED_TEXT" --restore_step 900000 --mode single -p config/LJSpeech/preprocess.yaml -m config/LJSpeech/model.yaml -t config/LJSpeech/train.yaml
可以改变文字，例如
python synthesize.py --text "There is nothing either good or bad, but thinking makes it so " --restore_step 900000 --mode single -p config/LJSpeech/preprocess.yaml -m config/LJSpeech/model.yaml -t config/LJSpeech/train.yaml
提示错误，无'./output/ckpt/LJSpeech/900000.pth.tar'，作者并没有上传此文件，所以在这里省略。
对于普通话多人 TTS，运行
python3 synthesize.py --text "大家好" --speaker_id SPEAKER_ID --restore_step 600000 --mode single -p config/AISHELL3/preprocess.yaml -m config/AISHELL3/model.yaml -t config/AISHELL3/train.yaml
对于英语多人 TTS，运行前，需要把预训练模型，改为FastSpeech2/output/ckpt/LibriTTS/800000.pth.tar
要对FastSpeech2/hifigan/generator_universal.pth.tar.zip进行解压
unzip generator_universal.pth.tar.zip
进行批量推理
python3 synthesize.py --source preprocessed_data/LJSpeech/val.txt --restore_step 900000 --mode batch -p config/LJSpeech/preprocess.yaml -m config/LJSpeech/model.yaml -t config/LJSpeech/train.yaml
提示无RuntimeError: [enforce fail at :110] . file in archive is not in a subdirectory:900000.pth.tar
训练
数据预处理
下载数据集ljspeech,可下载到/home/ming/Data/LJSpeech-1.1路径
如果之前已经下载过数据集，可以打开FastSpeech2/config/LJSpeech/preprocess.yaml，修改数据集路径
dataset: "LJSpeech"path:corpus_path: "/workspace/tts-pro/FastSpeech/data/LJSpeech-1.1"lexicon_path: "lexicon/librispeech-lexicon.txt"raw_path: "./raw_data/LJSpeech"preprocessed_path: "./preprocessed_data/LJSpeech"preprocessing:val_size: 512text:text_cleaners: ["english_cleaners"]language: "en"audio:sampling_rate: 22050max_wav_value: 32768.0stft:filter_length: 1024hop_length: 256win_length: 1024mel:n_mel_channels: 80mel_fmin: 0mel_fmax: 8000 # please set to 8000 for HiFi-GAN vocoder, set to null for MelGAN vocoderpitch:feature: "phoneme_level" # support 'phoneme_level' or 'frame_level'normalization: Trueenergy:feature: "phoneme_level" # support 'phoneme_level' or 'frame_level'normalization: True
然后运行
python3 prepare_align.py config/LJSpeech/preprocess.yaml
运行后生成raw_data文件夹，数据如下
语音文件对应的标签文件。（.lab包含用于使用Corel WordPerfect显示和打印标签的信息；可以是Avery标签模板或其他自定义标签文件；包含定义标签在页面上的大小和位置的页面布局信息。）
如论文中所述，蒙特利尔强制对齐器(MFA) 用于获取话语和音素序列之间的对齐。此处提供了支持的数据集的比对。将文件解压缩到preprocessed_data/LJSpeech/TextGrid/.
unzip LJSpeech.zip
解压后如图
(如果训练的是别的数据集，修改下数据集名称及路径就可以)别的数据集同理，解压缩命令
unzip LibriTTS.zip
解压后如图
接下来就是，对齐语料库，然后运行预处理脚本。
python3 preprocess.py config/LJSpeech/preprocess.yaml
运行后如图（可能需要点时间，等着就可以啦）
正式训练
先解压预训练权重
cd FastSpeech2/hifiganunzip generator_LJSpeech.pth.tar.zipcd ..
训练命令
python train.py -p config/LJSpeech/preprocess.yaml -m config/LJSpeech/model.yaml -t config/LJSpeech/train.yaml
训练过程
训练时间默认900000，需要一周时间，想要改少的话，修改
/workspace/FastSpeech2/config/LJSpeech/train.yaml中的 total_step: 900000
项目地址2（韩语）
HGU-DLLAB/Korean-FastSpeech2-Pytorch: Implementation of Korean FastSpeech2 ()
环境设置
conda create --name mfa python=3.8conda activate mfaconda install montreal-forced-aligner==2.0.6
sudo apt-get install ffmpegpip install g2pkcd Korean-FastSpeech2-Pytorch
安装要求环境
pip install -r requirements.txtpip install tgtpip install pyworld
下载数据集kks然后解压:数据12853
unzip kss.zip
数据格式如图
使用MFA进行语音文本对齐
运行processng_utils.ipynb ，生成韩语字典
(个人稍微修改)
kss-dic-01.py生成。语音.lab文件和korean-dict.txt韩语字典
import os, tqdm, refrom tqdm import tqdmfrom jamo import h2jfrom glob import globtext = '/workspace/Korean-FastSpeech2-Pytorch/data/kss/transcript.v.1.4.txt'base_dir = '/workspace/Korean-FastSpeech2-Pytorch/data/kss/wavs'filters = '([.,!?])'with open(text, 'r', encoding='utf-8') as f:for line in f.readlines():temp = line.split('|')file_dir, script = temp[0], temp[3]script = re.sub(pile(filters), '', script)file_dir = file_dir.split('/')fn = file_dir[0] + '/' + file_dir[1][:-3] + 'lab'file_dir = os.path.join(base_dir, fn)with open(file_dir, 'w', encoding='utf-8') as f:f.write(script)file_list = sorted(glob(os.path.join(base_dir, '**/*.lab')))jamo_dict = {}for file_name in tqdm(file_list):sentence = open(file_name, 'r', encoding='utf-8').readline()jamo = h2j(sentence).split(' ')for i, s in enumerate(jamo):if s not in jamo_dict:jamo_dict[s] = ' '.join(jamo[i]) dict_name = 'korean_dict.txt'with open(dict_name, 'w', encoding='utf-8') as f:for key in jamo_dict.keys():content = '{}\t{}\n'.format(key, jamo_dict[key])f.write(content)
运行后生成
接下来训练一个g2p模型，通过训练数据集生成textgrid文件。
mfa train_g2p korean_dict.txt korean.zipmfa g2p korean.zip kss korean.txt#mfa g2p korean.zip /workspace/dataset/kssdataset korean.txtmfa train kss korean.txt out#mfa train /workspace/dataset/kssdataset korean.txt out
生成textgrid文件
退出mfa虚拟环境（因为虚拟环境中未设置torch等），
也可在此处【file】直接下载Textgrid文件.放在Korean-FastSpeech2-Python路径下
然后修改data/kss.py的数据集位置
第19行 ：parts[0]处是.wav文件，parts[1]处是text文件
第37行 ： parts[0]处是.wav文件，parts[1]处是text文件
*TextGrid文件中提取的是每条音频对应的duration、pitch和energy信息.
修改数据集路径
hparams.py中的变量
- dataset: 数据集文件夹名
- data_path: dataset 的顶级文件夹
- meta_name : metadata 例如transcript.v.1.4.txt（语音及文本文件）
textgrid_path: textgrid 文件的位置( 如果是自己处理的数据，请提前压缩 textgrid 文件)
- tetxgrid_name: textgird 压缩textgrid 的文件名
import os### kss ###dataset = "kss"data_path = os.path.join("/workspace/Korean-FastSpeech2-Pytorch/data", dataset)meta_name = "transcript.v.1.4.txt" # "transcript.v.1.4.txt" or "transcript.v.1.3.txt" textgrid_name = "TextGrid.zip"### set GPU number ###train_visible_devices = "0"synth_visible_devices = "0"# Texttext_cleaners = ['korean_cleaners']# Audio and mel### kss ###sampling_rate = 22050filter_length = 1024hop_length = 256win_length = 1024### kss ###max_wav_value = 32768.0n_mel_channels = 80mel_fmin = 0mel_fmax = 8000f0_min = 71.0f0_max = 792.8energy_min = 0.0energy_max = 283.72# FastSpeech 2encoder_layer = 4encoder_head = 2encoder_hidden = 256decoder_layer = 4decoder_head = 2decoder_hidden = 256fft_conv1d_filter_size = 1024fft_conv1d_kernel_size = (9, 1)encoder_dropout = 0.2decoder_dropout = 0.2variance_predictor_filter_size = 256variance_predictor_kernel_size = 3variance_predictor_dropout = 0.5max_seq_len = 1000# Checkpoints and synthesis pathpreprocessed_path = os.path.join("./preprocessed/", dataset)checkpoint_path = os.path.join("./ckpt/", dataset)eval_path = os.path.join("./eval/", dataset)log_path = os.path.join("./log/", dataset)test_path = "./results"# Optimizerbatch_size = 16epochs = 1000n_warm_up_step = 4000grad_clip_thresh = 1.0acc_steps = 1betas = (0.9, 0.98)eps = 1e-9weight_decay = 0.# Vocodervocoder = 'vocgan'vocoder_pretrained_model_name = "vocgan_kss_pretrained_model_epoch_4500.pt"vocoder_pretrained_model_path = os.path.join("./vocoder/pretrained_models/", vocoder_pretrained_model_name)# Log-scaled durationlog_offset = 1.# Save, log and synthesissave_step = 10000eval_step = 1000eval_size = 256log_step = 1000clear_Time = 20
修改数据集路径data/kss.py
第69行
wav_bak_path = os.path.join(in_dir, "kss", "{}.wav".format(wav_bak_basename))
压缩textgrid文件
zip -r kss_textgird.zip kss
修改文件preprocess.py 后（如下）运行 python preprocess.py
#preprocess.pyimport osfrom data import kssimport hparams as hpdef write_metadata(train, val, out_dir):with open(os.path.join(out_dir, 'train.txt'), 'w', encoding='utf-8') as f:for m in train:f.write(m + '\n')with open(os.path.join(out_dir, 'val.txt'), 'w', encoding='utf-8') as f:for m in val:f.write(m + '\n')def main():in_dir = hp.data_pathout_dir = hp.preprocessed_pathmeta = hp.meta_nametextgrid_name = hp.textgrid_namemel_out_dir = os.path.join(out_dir, "mel")if not os.path.exists(mel_out_dir):os.makedirs(mel_out_dir, exist_ok=True)ali_out_dir = os.path.join(out_dir, "alignment")if not os.path.exists(ali_out_dir):os.makedirs(ali_out_dir, exist_ok=True)f0_out_dir = os.path.join(out_dir, "f0")if not os.path.exists(f0_out_dir):os.makedirs(f0_out_dir, exist_ok=True)energy_out_dir = os.path.join(out_dir, "energy")if not os.path.exists(energy_out_dir):os.makedirs(energy_out_dir, exist_ok=True)if os.path.isfile(textgrid_name):os.system('mv ./{} {}'.format(textgrid_name, out_dir))if not os.path.exists(os.path.join(out_dir, textgrid_name.replace(".zip", ""))):os.system('unzip {} -d {}'.format(os.path.join(out_dir, textgrid_name), out_dir))if "kss" in hp.dataset:# kss version 1.3if "v.1.3" in meta:if not os.path.exists(os.path.join(in_dir, "wavs_bak")):os.system("mv {} {}".format(os.path.join(in_dir, "wavs"), os.path.join(in_dir, "wavs_bak"))) os.makedirs(os.path.join(in_dir, "wavs"))# kss version 1.4if "v.1.4" in meta:if not os.path.exists(os.path.join(in_dir, "wavs_bak")):os.makedirs(os.path.join(in_dir, "wavs"))os.system("mv {} {}".format(os.path.join(in_dir, "../", meta), os.path.join(in_dir)))for i in range(1, 5) : os.system("mv {} {}".format(os.path.join(in_dir, str(i)), os.path.join(in_dir, "wavs")))os.system("mv {} {}".format(os.path.join(in_dir, "wavs"), os.path.join(in_dir, "wavs_bak")))os.makedirs(os.path.join(in_dir, "wavs"))train, val = kss.build_from_path(in_dir, out_dir, meta)write_metadata(train, val, out_dir)if __name__ == "__main__":main()
运行后如果出现错误，可参考【PS2，PS7】,成功的话会显示下图
然后生成
数据就全部处理完成啦~
训练
修改train.py文件中的数据路径后，就可以直接训练
python train.py
训练后生成
最后合成
python synthesize.py --step 90000
如果出错，请参考【PS8】
如果vocgan出错的话，查看权重位置。
训练自己的语音模型（ing）
上述项目训练都是在服务器上进行，接下来为了录音方便，用自己的笔记本电脑（Win11）进行录音，并设置一系列环境。
设置后端所需环境：python
创建一个新的虚拟环境
git clone /pyrasis/mimic-recording-studioconda create --name mimic python=3.8conda activate mimicconda install ffmpegcd mimic-recording-studio\backendpip install -r .\requirements.txtpython run.py
设置前端所需环境：node，yarn
*按下快捷键Win+R，输入cmd，（*这里一定要用管理员打开，要不出错）
打开项目地址(前提是已经安装好nodejs的环境，没有安装的话请参考【PS4】)
cd >cd C:\Users\N-216\pro\Korean_TTS\mimic-recording-studio\frotendnpm installnpm run start
网站往拉下拉，有输入名字，然后开始
这里点击【Allow】允许访问麦克风
然后，点击继续【CONTINUE】
录音时:空格键是开始录音，Esc是停止录音，p是重新录音，→是下一个提示，s是跳过提示
如果中间出现
以防万一，全选然后点击【Allow access】允许。
🎙️开始录音🎙️
按照提示词去读（后台位置在\mimic-recording-studio\backend\prompts下的csv或txt文件）
录了几条后后台如图
audio_files下，文件名是uuid:d77d86bc-3873-22c7-d129-f93c9605788b也对应的是name(录音时输入的名字)
这里的文件格式是按照自己想要的格式去分为4个文件夹，每条录音一依次放入文件夹内，如果想要换为其他格式，或者只想存为一个文件夹，需要修改mimic-recordingstudio\backend\app\file_system.py代码，里面有PrompFS类，可按照自己的方式去修改！！
mimic-recording-studio\backend\app\audio.py的功能是
_detect_leading_silence类是检查音频段中的前导静音。
将保留 300 毫秒的前导/结束静音缓冲区，以避免过硬的切断。
参数： sound (AudioSegment)： 要检查静音的音频片段。
返回值：int型，剪掉的毫秒数
trim_silence 类是去除音频中的前导音/结束音
参数：path （str）： 音频文件的文件名。
返回值：音频片段： 没有过多静音的音频数据。
save_audio类是将音频数据保存为 wav 文件。
参数： path （str）： 保存 wav 文件的位置。
audio (AudioSegment)： 音频数据。
get_audio_len类是得到音频长度，返回时，返回音频的长度/1000的值，将原本的毫秒转换为秒。
在C:\Users\N-216\pro\Korean_TTS\mimic-recording-studio\backend\db\mimicstudio.db处右键
点击【New Query】->输入
SELECT user_name AS [name], uuid FROM usermodel;
保存后，右键【Run Query】,就会出现录音名字和uuid
如果点击【New Query】->输入
-- SQLite-- List all recordingsSELECT * FROM audiomodel;-- Lists recordings from january order by phraseSELECT * FROM audiomodel WHERE created_date BETWEEN '-01-01' AND '-01-31' ORDER BY prompt;-- Lists number of recordings per daySELECT DATE(created_date), COUNT(*) AS RecordingsPerDayFROM audiomodelGROUP BY DATE(created_date )ORDER BY DATE(created_date)-- Shows average text length of recordingsSELECT AVG(LENGTH(prompt)) AS avgLength FROM audiomodel
就会查询到录音的所有数据
保存后，右键【Run Query】,就会出现
录好声音后，对于所有录音处理
复制到模型数据路径下
利用MFA处理自己的数据
打开MFA的虚拟环境
conda activate mfapip install chardet
需要将自己的数据集利用MFA去生成Fastspeech2所需要的语音信息
【TextGrid,alinment,energy,f0,mel】
ING...
提示信息很明显，意思就是在生产环境，不要再用这种方式运行程序，最好用WSGI服务来替代运行。
解决办法：
就是使用pywsgi 来代替 app.run(host=“0.0.0.0”, port=5000)
from flask import Flaskfrom gevent import pywsgiapp = Flask(__name__)@app.route("/")def hello_world():return "<p>Hello, World!</p>"server = pywsgi.WSGIServer(('0.0.0.0', 12345), app)server.serve_forever()
**************************************************************************************************************
请忽略这部分
【Fastspeech2-korean下】
step 1：python predata.py
Step 2 :python kss-lan-1.py
Step 3:mfa train /workspace/tts/Fastspeech2-Korean/data/kss_elena/wavs korean_dict.txt out ×
不能以这种形式，这样出来的是 4speakers
要以以下格式
/workspace/tts/MFARunnerV1/preprocessed/kss_elena
mfa train /workspace/tts/MFARunnerV1/preprocessed/kss_elena korean_dict.txt out
mfa configure --always_clean --disable_textgrid_cleanup -j 1 ×
mfa g2p/workspace/tts/MFARunnerV1/preprocessed/kss_elenakorean_dict.txt 1×
mfa g2p/workspace/tts/MFARunnerV1/preprocessed/kss_elenakorean_dict.txt --single speaker×
mfa train {} {} {} --j {} --punctuation \"{}\"".format(wav_lab_path, dict_path, save_textgrid_path, num_jobs, punctuation))
mfa train/workspace/tts/MFARunnerV1/preprocessed/kss_elenakorean_dict.txt/workspace/tts/MFARunner/result/kss_elena -j 1--punctuation×
**************************************************************************************************************
改变了格式后
进入MFARunner文件夹下，运行main.py后可行。
402个语音，时间14分钟（3:37~4:01）
main.py没变，改变了config.py文件中的路径
这里要求的是字典文件必须在/workspace/tts/MFARunner/result/kss_elena/kss_elena_dictionary.txt路径下
*输入数据是一个文件夹下的wav文件和lab文件，不能有字子目录
结果生成在
结果生成在/workspace/tts/MFARunner/result/kss_elena文件夹下：
-/workspace/tts/MFARunner/result/kss_elena/kss_elena_dictionary.dict
-/workspace/tts/MFARunner/result/kss_elena/TextGrid.zip
cd result/kss_elenacd /workspace/tts/Korean-FastSpeech2-Pytorch
回到之前运行项目的环境内
修改/workspace/tts/Korean-FastSpeech2-Pytorch/hparams.py
import os### kss ####dataset = "kss"dataset = "kss_elena"data_path = os.path.join("/workspace/tts/Korean-FastSpeech2-Pytorch/data", dataset)meta_name = "transcript.v.1.4.txt"# "transcript.v.1.4.txt" or "transcript.v.1.3.txt" textgrid_name = "TextGrid.zip"## 中间省略# Vocodervocoder = 'vocgan'#vocoder = Nonevocoder_pretrained_model_name = "kss_elena_2dfbde2_60000.pt"vocoder_pretrained_model_path = os.path.join("./vocoder/pretrained_models/", vocoder_pretrained_model_name)## 其他的省略
把刚才自己的文件复制过来
cp /workspace/tts/MFARunner/result/kss_elena/TextGrid.zip .
复制后文件位置在：/workspace/tts/Korean-FastSpeech2-Pytorch/TextGrid.zip
将之前/workspace/tts/VocGAN/chkpt/kss_elena/kss_elena_2dfbde2_60000.pt（随便一个权重）复制到/workspace/tts/Korean-FastSpeech2-Pytorch/vocoder/pretrained_models/kss_elena_2dfbde2_60000.pt
修改数据集名称（因为不同模型要求的数据格式稍有不同，为了方便，直接自己改文件夹名称）
python preprocess.py
运行后出现错误
理论上应该是每一条语音对应一个textgrid的文件，
文件共享（File）
如果不想训练，可直接下载权重进行测试，下载地址
/file/d/15IQZqjRvoQTPMdGMfdnrg4_-wnWFuXRp/view?usp=sharing
下载前，请仔细查看readme.txt文件。
过程中遇到的问题及解决【PS】
【PS1】ERROR: Could not install packages due to an OSError: [Errno 2] No such file or directory: '/workdir/conda-build/six_1593148849096/work'
在执行 pip install -r requirements.txt出现错误
解决
Getting weird OS Error when I try to import my repo into shar.streamlit - 🚀 Deployment - Streamlit
或者
先删掉six @ file:///workdir/conda-build/six_1593148849096/work，
这是从 VCS 存储库安装软件包的特殊语法(自pip19.1起受支持):
package_name @ git+https://githost/<repo>.git@<commit_id>
再进行
pip install -r requirements.txt
可参考PEP 440 – Version Identification and Dependency Specification |
【PS2】ValueError: numpy.ndarray size changed, may indicate binary incompatibility. Expected 96 from C header, got 88 from PyObject
升级numpy
pip install --upgrade numpy
或者查看numpy与scipy的版本是否匹配
AttributeError: module 'numpy' has no attribute 'long'
最终版本
python==3.8 numpy==1.23.0scipy==1.9.0
【PS3】UnboundLocalError: local variable 'train' referenced before assignment
【PS4】起用本地网站后404
【PS5】WARNING: This is a development server. Do not use it in a production deployment. Use a production WSGI server instead.
就是在生产环境，不要再用这种方式运行程序，最好用WSGI服务来替代运行。
解决办法：
就是使用pywsgi 来代替 app.run(host=“0.0.0.0”, port=5000)
#pip install geventfrom flask import Flaskfrom gevent import pywsgiapp = Flask(__name__)@app.route("/")def hello_world():return "<p>Hello, World!</p>"server = pywsgi.WSGIServer(('0.0.0.0', 12345), app)server.serve_forever()
【PS6】npm start 出错 ： no such file or directory, open 'C:\Users\N-216\package.json'
解决办法：
重新设置nodejs设置环境参考React | 从头打造个人网站（超详细）_夏天｜여름이다的博客-CSDN博客
【PS7】TypeError: pad_center() takes 1 positional argument but 2 were given
版本不对，重新设置环境后，显示也有警告但是任然可以运行~
【PS8】/workspace/tts/Korean-FastSpeech2-Pytorch/audio/audio_processing.py:50: FutureWarning: Pass size=1024 as keyword args. From version 0.10 passing these as positional arguments will result in an errorwin_sq = librosa_util.pad_center(win_sq, n_fft)因为传参的时候出现了问题，检查传进去的参数。
解决办法
librosa版本问题，0.10.0版本和0.9.2版本都会出错，换为0.8.0就没有问题。
pip install librosa==0.8.0
【PS9】AttributeError: 'StandardScaler' object has no attribute 'mean_'
参考：/ming024/FastSpeech2/issues/93
尝试1：textgrid.get_tier_by_name("phones")改为textgrid.get_tier_by_name("words")
会出现没有样品的情况
尝试2：查看是否是(basename,scalers)的问题
修改后还是同样的问题
尝试3：查看是否是
在处理语句时，ret的结果为空
参考文献
【1】GitHub - MycroftAI/mimic-recording-studio: Mimic Recording Studio is a Docker-based application you can install to record voice samples, which can then be trained into a TTS voice with Mimic2
附录
sudo docker cp /home/elena/LJSpeech.zip torch_na:/workspace/tts-pro/FastSpeech2/preprocessed_data/LJSpeech/sudo docker cp /home/elena/LibriTTS.zip torch_na:/workspace/tts-pro/FastSpeech2/preprocessed_data/LibriTTS/TextGrid/
# MFApython kss-lab-1.pymfa configure --always_clean --disable_textgrid_cleanup mfa train_g2p korean_dict.txt g2pk_model.zip ×# Usage: mfa g2p [OPTIONS] INPUT_PATH G2P_MODEL_PATH OUTPUT_PATH mfa g2p --single_speaker kss_elena g2pk_model.zip ko_dict.txt ×-> 生成的新的txt文件为空？？mfa align --single_speaker ./kss_elena korean_dict.txt g2pk_model.zip ./TextGrid# V1:mfa align --clean --single_speaker ./kss_elena korean_dict.txt korean_a.zip ./TextGrid √# V1:mfa validate kss_elena korean_dict.txt -j 8 --single_speaker
