在Linux系统中解压`.rar`文件，你可以使用`unrar`或`rar`工具。如果系统中还没有安装它们，可以先通过包管理器进行安装。以下是具体步骤：





### 1. 安装 `unrar`

- 对于基于Debian的发行版（如Ubuntu）：

  ```bash
  sudo apt-get install unrar
  ```

- 对于基于Red Hat的发行版（如CentOS、Fedora）：

  ```bash
  sudo yum install unrar
  ```

- 对于基于Arch的发行版（如Manjaro）：

  ```bash
  sudo pacman -S unrar
  ```

### 2. 使用 `unrar` 解压 `.rar` 文件

- 解压文件到当前目录：

  ```bash
  unrar x 文件名.rar
  ```

- 查看 `.rar` 文件内容而不解压：

  ```bash
  unrar l 文件名.rar
  ```

- 解压到指定目录：

  ```bash
  unrar x 文件名.rar /目标/目录/
  ```

### 3. 使用 `rar`（如果系统上有此工具）

- 安装方法与 `unrar` 类似，可以通过包管理器安装：

  ```bash
  sudo apt-get install rar
  ```

- 解压 `.rar` 文件：

  ```bash
  rar x 文件名.rar
  ```

如果你没有权限安装软件，或者系统上无法使用这些工具，可以考虑将 `.rar` 文件转换为其他格式（如 `.zip`）在其他系统上进行解压。

【运维】Linux如何解压.rar文件

`xargs` 是 Linux 中一个非常强大的命令，用于将标准输入中的输出作为参数传递给其他命令。通常情况下，`xargs` 用于处理长列表或者将多行输入转换成一行。





以下是 `xargs` 的基本用法和一些常见的例子：

### 基本语法
```bash
command | xargs [options] [command]
```

### 常见的例子

1. **删除文件：**

假设你有一个包含文件名的列表文件，想要删除这些文件：
```bash
cat filelist.txt | xargs rm
```

这条命令将 `filelist.txt` 中的每一行作为参数传递给 `rm` 命令来删除文件。

2. **查找并删除文件：**

假设你想要删除某个目录下所有以 `.tmp` 结尾的文件：
```bash
find /path/to/dir -name "*.tmp" | xargs rm
```

这条命令使用 `find` 找到所有 `.tmp` 文件，然后通过 `xargs` 将这些文件名传递给 `rm` 命令来删除它们。

3. **传递多个参数：**

有时你需要一次性传递多个参数给命令，比如解压多个 `.tar.gz` 文件：
```bash
ls *.tar.gz | xargs -n 1 tar -xzvf
```

`-n 1` 指定每次传递一个文件给 `tar` 命令，逐个解压文件。

4. **将输入分成多个块处理：**

如果输入列表非常长，命令可能无法处理所有参数，可以使用 `-n` 选项将它们分成多个块：
```bash
find . -name "*.log" | xargs -n 10 rm
```

这将每次删除 10 个 `.log` 文件，直到删除完所有文件。

5. **配合 `-I` 参数使用：**

`-I` 选项允许你定义一个替代字符串，将其替换为当前的参数列表：
```bash
cat urls.txt | xargs -I {} wget {}
```

这条命令会从 `urls.txt` 文件中读取 URL，并逐个用 `wget` 下载。

6. **处理带空格的文件名：**

当文件名或路径中包含空格时，使用 `-d` 选项指定分隔符，通常使用 `-print0` 和 `-0` 结合来处理：
```bash
find /path/to/dir -name "*.jpg" -print0 | xargs -0 rm
```

这将删除所有 `.jpg` 文件，确保处理路径中包含空格的情况。

### 总结

`xargs` 是处理批量命令的一大利器，可以和许多其他命令结合使用来自动化操作。它的灵活性使其在脚本编写和日常管理任务中非常有用。

![在这里插入图片描述](/static/img/images/00021.png)

【运维】Linux中的xargs指令如何使用？

**如何在浏览器中查看和管理 Cookie 信息**





#### 引言

Cookie 是我们日常浏览网页时经常遇到的一个重要概念。它们用于存储用户的登录状态、偏好设置以及其他相关信息，帮助网站提供个性化的体验。然而，很多人并不清楚如何在浏览器中找到并查看这些 Cookie 信息。本文将带您了解如何在不同浏览器中查看和管理 Cookie。

#### 什么是 Cookie？

在开始之前，我们先简要介绍一下什么是 Cookie。Cookie 是由网站生成并存储在用户设备上的小数据片段，它们可以包含用户会话信息、跟踪用户活动或存储用户偏好设置。当您再次访问同一网站时，浏览器会发送这些 Cookie 以帮助网站识别您，从而提供更好的服务。

#### 如何在浏览器中查看 Cookie？

以下是如何在现代浏览器中查看 Cookie 的步骤：

##### 1. 打开开发者工具

首先，您需要登录到您想要查看 Cookie 的网站。接下来，使用以下快捷键打开开发者工具：

- **Google Chrome 或 Microsoft Edge**：按 `F12` 或 `Ctrl + Shift + I`。

- **Firefox**：按 `F12` 或 `Ctrl + Shift + I`。

- **Safari**：按 `Command + Option + I`（需要在浏览器设置中启用开发者工具）。

##### 2. 查看 Cookie 信息

在开发者工具界面中，找到对应的选项卡来查看 Cookie 信息：

- **Google Chrome/Edge**：点击 `Application` 选项卡。

- **Firefox**：点击 `Storage` 选项卡。

在 `Application` 或 `Storage` 选项卡下，找到 `Cookies` 部分。您会看到一个展开的菜单，显示当前网站和其他相关域的 Cookie。

##### 3. 查看具体 Cookie 信息

点击相应的域名后，您将看到该网站的所有 Cookie 列表。在这个列表中，您可以查看每个 Cookie 的名称、值、域、路径、过期时间等信息。

##### 4. 复制和管理 Cookie

如果您需要使用某个 Cookie 的值，可以右键单击它并选择 `Copy`（复制）来获取。然后，您可以将复制的 Cookie 信息粘贴到需要使用的地方（例如脚本、工具等）。

#### 注意事项

Cookie 是非常敏感的信息，包含了您的登录状态和个人偏好设置。若将这些信息泄露给不受信任的方，可能会导致账户被盗或个人信息泄露。因此，请务必谨慎处理 Cookie 信息，并确保在安全可靠的环境下使用。

#### 结语

了解如何查看和管理 Cookie 信息有助于更好地控制您的浏览器数据安全。希望本文能为您提供清晰的指导，如果您有任何进一步的问题或需要更详细的帮助，欢迎随时联系我！

![在这里插入图片描述](/static/img/images/00023.png)

【运维】如何在浏览器中查看和管理 Cookie 信息？

# tesseract 1.png output --oem 1 -l chi_sim+eng





Error opening data file /usr/share/tesseract-ocr/4.00/tessdata/chi_sim.traineddata

Please make sure the TESSDATA_PREFIX environment variable is set to your "tessdata" directory.

Failed loading language 'chi_sim'

Tesseract Open Source OCR Engine v4.1.1 with Leptonica


这个错误提示表明 Tesseract 无法找到 `chi_sim.traineddata` 文件，也就是简体中文的语言数据文件。要解决这个问题，你可以按照以下步骤操作：

### 1. 确认 `tessdata` 目录的位置

首先，确认 Tesseract 的 `tessdata` 目录中是否已经存在 `chi_sim.traineddata` 文件。默认情况下，这个目录可能位于 `/usr/share/tesseract-ocr/4.00/tessdata/` 或 `/usr/share/tessdata/`。

### 2. 下载 `chi_sim.traineddata` 文件

如果你没有 `chi_sim.traineddata` 文件，你需要手动下载。你可以从 Tesseract 的 GitHub 仓库下载简体中文的训练数据：

```bash
wget https://github.com/tesseract-ocr/tessdata/blob/main/chi_sim.traineddata -O /path/to/tessdata/chi_sim.traineddata
```

将 `/path/to/tessdata/` 替换为你系统中实际的 `tessdata` 目录路径。

或者下载gitee这里的：

```csharp
git clone https://gitee.com/superaskar/tessdata.git
```

### 3. 设置 `TESSDATA_PREFIX` 环境变量

如果你的 `tessdata` 目录不在默认路径下，或者 Tesseract 无法找到这个目录，你需要设置 `TESSDATA_PREFIX` 环境变量，使其指向正确的 `tessdata` 目录：

```bash
export TESSDATA_PREFIX=/path/to/tessdata/
```

再次执行 OCR 命令：

```bash
tesseract 1.png output --oem 1 -l chi_sim+eng
```

### 4. 确认 `tessdata` 目录中的文件是否正确

最后，确保你在 `tessdata` 目录中确实有 `chi_sim.traineddata` 文件，并且文件名称拼写正确。

### 结语

通过下载并配置好语言数据文件，以及设置正确的环境变量，你应该能够顺利使用 Tesseract 进行中英文混合文本的识别。如果问题仍然存在，建议检查 `tessdata` 目录中的文件权限，确保 Tesseract 可以读取这些文件。

Failed loading language ‘chi_sim‘ Tesseract Open Source OCR Engine v4.1.1 with Leptonica

## 官网教程

https://www.yuque.com/baicaigongchang1145haoyuangong/ib3g1e/xyyqrfwiu3e2bgyk

https://github.com/RVC-Boss/GPT-SoVITS

## GPT-SoVITS原理

![在这里插入图片描述](/static/img/images/00065.png)

![在这里插入图片描述](/static/img/images/00066.png)

![在这里插入图片描述](/static/img/images/00067.png)

![在这里插入图片描述](/static/img/images/00068.png)




## 制作镜像

不用docker不行，不好分配显卡，

做个docker镜像：

```bash
docker pull pytorch/pytorch:2.1.2-cuda12.1-cudnn8-devel
```

执行：
```bash
docker run -it --gpus device=3 --net host -v /ssd/xd/tts/GPT-SoVITS:/ssd/xd/tts/GPT-SoVITS pytorch/pytorch:2.1.2-cuda12.1-cudnn8-devel bash
```

必要环境：
```bash
export http_proxy=101.136.19.261:10829
export https_proxy=101.136.19.261:10829
conda install -c conda-forge gcc -y
conda install -c conda-forge gxx -y
conda install ffmpeg cmake -y
cd /ssd/xd/tts/GPT-SoVITS
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
apt update && apt install -t git vim wget curl
```

加一句到~/.bashrc：

```go
export LD_LIBRARY_PATH=/opt/conda/lib/python3.10/site-packages/torch/lib:$LD_LIBRARY_PATH
```

一般的miniconda安装路径在这里：/root/miniconda3/envs/gsv/lib/python3.10/site-packages/torch/lib


设置容器语言环境：
你可以尝试在容器内设置语言环境，以支持中文字符显示。可以使用以下命令：


```bash
apt-get update && apt-get install -y locales
locale-gen zh_CN.UTF-8
export LANG=zh_CN.UTF-8
```

dockerfile:

```bash
RUN apt-get update && apt-get install -y locales \
    && locale-gen zh_CN.UTF-8 \
    && /usr/sbin/update-locale LANG=zh_CN.UTF-8
ENV LANG zh_CN.UTF-8

```


装一个合适的onnxruntime-gpu:

![image.png](/static/img/3693c08841ce7edb5b98f13213611672.image.webp)

https://onnxruntime.ai/docs/install/#requirements


```bash
wget https://aiinfra.pkgs.visualstudio.com/PublicPackages/_apis/packaging/feeds/d3daa2b0-aa56-45ac-8145-2c3dc0661c87/pypi/packages/ort-nightly-gpu/versions/1.17.dev20240118002/ort_nightly_gpu-1.17.0.dev20240118002-cp310-cp310-manylinux_2_28_x86_64.whl/content
mv content ort_nightly_gpu-1.17.0.dev20240118002-cp310-cp310-manylinux_2_28_x86_64.whl
pip install ort_nightly_gpu-1.17.0.dev20240118002-cp310-cp310-manylinux_2_28_x86_64.whl
pip install onnx
```




## docker push

push镜像给大家用：

```go
docker push kevinchina/deeplearning:2.1.2-cuda12.1-cudnn8-devel-gptsovitsv4
```


## 数据格式


![在这里插入图片描述](/static/img/images/00069.png)

## 拉取代码&下载模型

拉最新的代码：

```bash
cd /root/xiedong/tts
git clone https://github.com/RVC-Boss/GPT-SoVITS.git
```

需要下载一些文件到对应目录。

1. 下载预训练模型:

    ```bash
    # https://huggingface.co/lj1995/GPT-SoVITS/tree/main 下载预训练模型，并将其放置在 GPT_SoVITS/pretrained_models 目录中。
    我这里不再演示，注意，GPT-SoVITS项目下面的GPT-SoVITS目录里面有一个pretrained_models目录，别搞错了。
    scp -r -P 16120 xiedong@101.136.19.26:/ssd/xiedong/tts/GPT-SoVITS/GPT_SoVITS/pretrained_models ./
    ```


2. 从 G2PWModel_1.1.zip 下载模型，解压并重命名为 G2PWModel，然后将其放置在 GPT_SoVITS/text 目录中。（仅限中文TTS） https://paddlespeech.bj.bcebos.com/Parakeet/released_models/g2p/G2PWModel_1.1.zip


    ```bash
    scp -r -P 16120 xiedong@101.136.19.26:/ssd/xiedong/tts/GPT-SoVITS/GPT_SoVITS/text/G2PWModel ./
    ```

3. 对于 UVR5（人声/伴奏分离和混响移除，额外功能），从 UVR5 Weights 下载模型，并将其放置在 tools/uvr5/uvr5_weights 目录中。


    ```bash
    scp -r -P 16120 xiedong@101.136.19.26:/ssd/xiedong/tts/GPT-SoVITS/tools/uvr5/uvr5_weights/* ./
    ```

    ![image.png](/static/img/a3f8b19b209340ac57913c9dd770b400.image.webp)

4. 对于中文 ASR（额外功能），从 [Damo ASR Model](https://modelscope.cn/models/iic/speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8404-pytorch/files)、[Damo VAD Model](https://modelscope.cn/models/iic/speech_fsmn_vad_zh-cn-16k-common-pytorch/files) 和 [Damo Punc Model](https://modelscope.cn/models/iic/punc_ct-transformer_zh-cn-common-vocab272727-pytorch/files) 下载模型，并将它们放置在 tools/asr/models 目录中。
5. 对于英语或日语 ASR（额外功能），从 Faster Whisper Large V3 下载模型，并将其放置在 tools/asr/models 目录中。此外，其他模型 可能具有类似效果且占用更少的磁盘空间。
https://huggingface.co/Systran/faster-whisper-large-v3/tree/main



    ![image.png](/static/img/a87353aaee7ff2481efd16cebcc15f71.image.webp)



## 启动容器

目录介绍：
1. GPT-SoVITS/GPT_weights_v2/ 存放训练后的GPT模型，pt结尾
2. GPT-SoVITS/SoVITS_weights_v2/ 存放训练后的SoVITS模型，pth结尾


运行容器：

```bash
docker run -it --shm-size=16g --env=is_half=False --gpus all --net host -v /root/xiedong/tts:/root/xiedong/tts kevinchina/deeplearning:2.1.2-cuda12.1-cudnn8-devel-gptsovitsv4 bash
```


## 启动webui


```bash
cd /root/xiedong/tts/GPT-SoVITS-items
python webui.py
```

## 用自带的UVR5处理音频


### **第一步：分离人声**：
   - 人声/伴奏分离与混响去除的任务。使用 **model_bs_roformer_ep_317_sdr_12.9755** 模型进行处理，这是当前效果最好的模型，目的是提取人声。


    记住：一定要mkdir创建好文件目录再开始。我的wav文件目录是/root/xiedong/tts/datasets/shiyu，我vocal存/root/xiedong/tts/datasets/shiyu_uvr5，我accompaniment存/root/xiedong/tts/datasets/shiyu_uvr5_accompaniment。我就像下图设么设置。


    ![image.png](/static/img/0910e0d3161c3e87222f6e40263d6add.image.webp)
    


### **第二步：混响去除**：
   
   将输出的干声音频使用 **onnx_dereverb_By_FoxJoy** 处理去混响。

    再mkdir一个存人声的目录：mkdir /root/xiedong/tts/datasets/shiyu_uvr5_2,然后这样写入去除这个路径的混响：/root/xiedong/tts/datasets/shiyu_uvr5。这一步很慢。
   
    ![image.png](/static/img/f8d8d53cca5e65a3896a4f5d5360bd93.image.webp)
    

3. 第三步：混响去除 使用 **DeEcho-Aggressive** 进行最后的混响去除。





4. **输出格式**：
   - 输出格式选择 **wav**。

5. **输出路径**：
   - 默认输出文件夹为 **GPT-SoVITS-beta\output\uvr5_opt**，建议不要修改输出路径，避免后续找不到文件。

6. **处理结果文件说明**：
   - `(vocal)` 表示处理后的人声。
   - `(instrument)` 表示伴奏。
   - `(_vocal_main_vocal)` 表示无混响的音频文件。
   - `(others)` 是混响文件。
   - 最终使用的文件是 `(vocal)` 和 `(_vocal_main_vocal)`，其他文件可以删除。

7. **结束步骤**：
   - 处理结束后，记得在 **WebUI** 中关闭 **UVR5** 来节省显存。



## 切割音频

我不切

## 音频降噪

我不降噪

## 打标

开启打标后，模型会对所有wav打标记，生成一个文件/root/xiedong/tts/datasets/shiyu_uvr5/asr_opt/shiyu_uvr5.list

![image.png](/static/img/61d1a80d8c1aa34049f5ab015a6944a8.image.webp)

现在这个/root/xiedong/tts/datasets/shiyu_uvr5/asr_opt/shiyu_uvr5.list里是这个样子：



也就是这个格式：

```bash
vocal_path|speaker_name |language|text
```


## 校对标注

我其实本身有标注，我要把/root/xiedong/tts/datasets2/shiyuv2_vk2下面所有wav文件都标注出来。

我希望生成一个文件`/root/xiedong/tts/datasets2/shiyuv2_vk2.list`，每一行都是一个数据集的一个样本，格式是这样的：

```bash
vocal_path|speaker_name|language|text
```
1. vocal_path 是wav文件绝对路径
2. speaker_name 是说话人，我希望写成“shiyu”
3. language得看情况，tts文本如果全是中文，那就是zh；全是英文，那就是en；两者都有，那也给zh。
>     Language dictionary:
>     'zh': Chinese
>     'ja': Japanese
>     'en': English
>     'ko': Korean
>     'yue': Cantonese
4. text 是tts的文本。

我希望整体顺序是先zh，再en，最后中英混合的zh。




## 启动webui训练


```bash
cd /root/xiedong/tts/GPT-SoVITS-items
python webui.py
```

检查是否有这几个文件：


```bash
root@k8s-node-10:~/xiedong/tts/GPT-SoVITS# ll GPT_SoVITS/pretrained_models/gsv-v2final-pretrained/s2G2333k.pth
-rw-r--r-- 1 root root 106035259 Sep 12 03:09 GPT_SoVITS/pretrained_models/gsv-v2final-pretrained/s2G2333k.pth
root@k8s-node-10:~/xiedong/tts/GPT-SoVITS# ll GPT_SoVITS/pretrained_models/gsv-v2final-pretrained/s2D2333k.pth
-rw-r--r-- 1 root root 93534164 Sep 12 03:09 GPT_SoVITS/pretrained_models/gsv-v2final-pretrained/s2D2333k.pth
root@k8s-node-10:~/xiedong/tts/GPT-SoVITS# ll GPT_SoVITS/pretrained_models/gsv-v2final-pretrained/s1bert25hz-5kh-longer-epoch=12-step=369668.ckpt
-rw-r--r-- 1 root root 155315150 Sep 12 03:09 'GPT_SoVITS/pretrained_models/gsv-v2final-pretrained/s1bert25hz-5kh-longer-epoch=12-step=369668.ckpt'
```

### 0-前置数据集获取工具

一键三连：

![image.png](/static/img/a27b4ed243dcc0f5a024f8b7d3e6d438.image.webp)



### 1B-微调训练

![image.png](/static/img/7e3d8f21fd372e642692368406cd48fc.image.webp)



![image.png](/static/img/c0aec8992834bdf16d58b946e9490dc9.image.webp)


![image.png](/static/img/bc47b690648150fed6af2aedb3a4930b.image.webp)

###  1C-推理

![image.png](/static/img/02d4e33d7a01df320e169893f1849777.image.webp)



## 源码的推理

【深度学习】【语音TTS】GPT-SoVITS v2 实战，训练一个人的音色，Docker镜像

我是一个专注技术分享的博主,尤其爱搞深度学习和单片机电子。你现在看到的是我的个人博客网站。