dsh-anime-voice

DSH Anime Voice

[正式版 v0.1.0](https://github.com/InariNGT-Ofiicial/dsh-anime-voice/releases/tag/v0.1.0) · 同时支持 DSH rc.2 / rc.3。

兼容维护：同时支持 DSH 0.2.1-rc.2 / rc.3，保留旧版用法与设置。验证范围与复现见 [DSH 兼容说明](docs/DSH_COMPATIBILITY.md)。

番剧台词提取与 GPT-SoVITS v2 训练/配音的两个本地技能。与 DDSP 训练、歌曲翻唱项目分别维护。

2026-10-20 已核验一条真实 DSH 代表性链路：自然语言任务 → 技能加载 → 少量真实片段导出 → 数据集校验/清单 → 报告 → 已有检查点 CPU 配音。运行时使用 danger-full-access 授权，并调整了推理子进程的 NO_PROXY；受限模式、完整训练和人工听音仍待验证。见 [宿主回执与验收范围](docs/validation.md#真实-dsh-回执复核)。

| 技能 | 输入 | 输出 |

|---|---|---|

| anime-voice-line-extractor | 本地音视频、已确认的角色映射 | 角色 WAV/TXT、绝对时间轴 CSV、train.list |

| anime-voice-clone-training | 整集音频、人工确认的声纹参照、明确模型路径 | 整集重建数据集、训练特征/权重、单句配音 WAV/JSON |

A 可以直接导出 绝对wav路径|角色|语言|文本。B 的主路线复用 A 建声纹参照，再从整集分离和带标点 ASR 重建数据集；不是把 A 的旧 157 条直接洗成新 291 条。训练器也可以独立读取 A 的清单，但素材是否适合训练仍需审核。

安装

git clone https://github.com/InariNGT-Ofiicial/dsh-anime-voice.git
cd dsh-anime-voice
./install.ps1 -SkillRoot "$env:USERPROFILE/.dsh/skills"

已经安装时加 -Update；脚本会先备份这两个技能。若 .dsh/skills 是 Junction，会写入它实际指向的技能根。安装不修改宿主配置、模型、Python 环境或其它技能。

Windows 11、PowerShell 7 和 Python 3.10–3.12 是本项目的目标环境。分析侧依赖见 requirements-analysis.txt；训练和推理必须使用已经配置好的 [GPT-SoVITS](https://github.com/RVC-Boss/GPT-SoVITS) v2 环境。分离使用独立的 [MSST](https://github.com/ZFTurbo/Music-Source-Separation-Training) 兼容环境。不要把这几套环境混装。

复制 config.example.ps1 为本地配置，填入自己的路径后执行：

. ./config.local.ps1
$A = "$env:USERPROFILE/.dsh/skills/anime-voice-line-extractor/scripts"
$B = "$env:USERPROFILE/.dsh/skills/anime-voice-clone-training/scripts"
& $env:ANIME_PYTHON "$A/anime_lines.py" --help
& $env:ANIME_PYTHON "$B/run_pipeline.py" --list-stages

完整操作、依赖和可复现命令见 [运行说明](docs/usage.md)，宿主实测范围见 [验证记录](docs/validation.md)。在 DSH 新会话里用自然语言说明素材路径、角色、输出目录，以及允许哪些耗时阶段。技能目录存在只证明文件已安装；真实宿主验收必须包含模型选择技能、调用工具和生成产物的证据。

训练插件（可选）

plugins/tts-train-pipeline/ 是同一套 GPT-SoVITS 训练流程的 DSH 插件形态：14 个工具

（tts_doctor / tts_script / tts_scan / tts_build / tts_preprocess / tts_run / tts_infer …），

由宿主直接加载，不用在会话里逐步跑脚本。

cd plugins/tts-train-pipeline
npm test          # 契约自检，不需要 GPT-SoVITS 环境
dsh plugin add .

它和两个 skill 的分工：skill 是「一次任务的脚本化流程」，插件是「常驻工具集」。两者共用同一个

GPT-SoVITS 工程与语料约定，不要同时改同一个实验目录。

0.2.0 新增两项与训练质量直接相关的改动，都有同批语料的对照：

• 数据集留尾：出料默认只裁句首静音，保留句尾自然衰减并兜 0.16s 静音底。旧做法每条都停在满电平，

训出来的模型会吞末字。383 条语料对照：末三字完整念出率 33% → 93%，PER 0.197 → 0.018。

• 日语文本消 UNK：#（声调短语边界）与 引号/破折号/括号 都不在 732 项符号表里，会被降级成 UNK。

补丁幂等、自动备份、可回滚、打前核符号表；打了必须重训（只打不训是负收益，PER 0.197 → 0.236）。

详见该目录的 [README](plugins/tts-train-pipeline/README.md) 与 [CHANGELOG](plugins/tts-train-pipeline/CHANGELOG.md)。

许可随仓库整体：代码尚未指定开放许可证，插件 package.json 里的 license 因此标为

UNLICENSED（不是 MIT）。要引用或再分发请先取得授权。

能力边界

声纹、F0、ASR 一致性都是辅助筛选，不能替代人工听音与文本校对；默认 F0 下限为 0，必须按目标声音调整。标点只能说明文字形态，不能证明音频自然收尾——现在这条有可判读的信号了：插件出料会给出 tail_stats（收尾电平中位、尾部静音中位、切断比例），但它仍然只是体检，不是听音替代。脚本生成 WAV 不等于朗读正确，跨语种尤其需要逐句复听。

没有通用的“25/38 分钟就达标”门槛，也不把余弦相似度解释成“不可区分”。旧版本的声纹/F0数字不代表当前权重已通过验收。当前维护验证优先复用已存在的 v2 检查点，不重新训练整个模型或重跑三集全量流程。

仓库只包含代码和脱敏技术验证记录；不包含番剧、声音素材、模型权重、用户会话或凭据。素材、声音及模型的使用授权由使用者确认，各上游依赖分别遵循其许可证。代码尚未指定开放许可证。

维护

python -m unittest discover -s tests -v

问题反馈请提供脚本版本、已脱敏的命令/退出码、阶段、期望和实际产物。不要上传模型、私有路径、音频或账号配置。CPU 接口回归由 GitHub Actions 执行；GPU 和 DSH 宿主验证记录单独维护，不能由 CI 通过替代。