Piper Master Trainer

Веб-додаток для тренування голосових моделей Piper TTS. Повний пайплайн від завантаження аудіо до синтезу мовлення.

Можливості

• Завантаження аудіо з YouTube (включаючи age-restricted) або локальних файлів
• Транскрипція через faster-whisper на GPU з редагуванням сегментів
• Підготовка датасету з нормалізацією, фільтрацією та валідацією
• Тренування VITS моделі з нуля або fine-tuning на GPU
• Експорт в ONNX для використання з Piper
• Тестування синтезу мовлення з регулюванням параметрів
• GPU моніторинг VRAM, температури, утилізації в реальному часі

Стек технологій

Компонент	Технологія
Backend	FastAPI, SQLAlchemy, SQLite
Frontend	React 18, TypeScript, Vite, Tailwind CSS
TTS	piper1-gpl (VITS), PyTorch, ONNX
Транскрипція	faster-whisper (CTranslate2)
GPU	NVIDIA CUDA 12.1, Docker nvidia runtime
Інфраструктура	Docker Compose, Redis

Вимоги

• GPU: NVIDIA з CUDA (тестовано на RTX 3050 Ti 4GB)
• Docker з nvidia-container-toolkit
• Chrome (опціонально, для cookies YouTube)

Швидкий старт

# Клонування
git clone https://github.com/dotradepro/Piper-Master-Trainer.git
cd Piper-Master-Trainer

# Автоматичне встановлення (Docker, NVIDIA toolkit, збірка, запуск)
bash install.sh

# Або вручну:
sudo docker compose build
sudo docker compose up -d

# Відкрити в браузері
# Frontend: http://localhost
# Backend API: http://localhost:8000/docs

Розробка (без Docker)

# Backend
cd backend
uv venv .venv --python 3.11
source .venv/bin/activate
uv pip install -e ".[dev]"
uvicorn app.main:app --reload --port 8000

# Frontend
cd frontend
npm install
npm run dev  # http://localhost

Пайплайн тренування

1. Створити проєкт (мова, назва)
2. Завантажити аудіо (YouTube URL або файл)
3. Транскрибувати (Whisper small/medium на GPU)
4. Відредагувати сегменти (текст, включення)
5. Підготувати датасет (metadata.csv + WAV)
6. Запустити тренування (batch_size=2 для 4GB VRAM)
7. Експортувати checkpoint в ONNX
8. Тестувати синтез мовлення

Налаштування для RTX 3050 (4GB VRAM)

Параметр	Значення
batch_size	2
precision	FP32
Whisper модель	small (макс. medium)
VRAM під час тренування	~3.1 GB

API

Ендпоінт	Опис
POST /api/projects	Створити проєкт
POST /api/youtube/download	Завантажити аудіо з YouTube
POST /api/transcription/start	Транскрибувати аудіо
POST /api/datasets/prepare	Підготувати датасет
POST /api/training/start	Запустити тренування
POST /api/training/stop	Зупинити тренування
POST /api/models/export	Експорт в ONNX
POST /api/models/synthesize	Синтез мовлення
GET /api/system/gpu	Стан GPU

Структура проєкту

├── docker-compose.yml          # Docker стек
├── docker/                     # Dockerfiles
├── backend/
│   ├── app/
│   │   ├── main.py             # FastAPI додаток
│   │   ├── routers/            # API ендпоінти
│   │   ├── services/           # Бізнес-логіка
│   │   ├── models/             # SQLAlchemy ORM
│   │   ├── schemas/            # Pydantic валідація
│   │   └── utils/              # piper_bridge, GPU manager
│   └── storage/                # Дані проєктів
└── frontend/
    └── src/
        ├── pages/              # Сторінки пайплайну
        ├── components/         # UI компоненти
        └── api/                # API клієнт

Автор

DotradePro

• GitHub: github.com/dotradepro
• Ko-fi: ko-fi.com/dotradepro

Ліцензія

Базується на piper1-gpl (GPL-3.0).