support for 44.1kHz

doc/train_and_inference.markdown

@@ -12,7 +12,7 @@ pip install -r requirements_short.txt
 >3. 根目录下有一份@三千整理的依赖列表requirements.png，是在某品牌云服务器上跑通的，不过此torch版本已不兼容目前版本代码,但是其他部分版本可以参考，十分感谢
 
 ## 1.推理
->使用根目录下的inference.ipynb进行推理或使用经过po主适配的@小狼的infer.py\
+>使用根目录下的inference.ipynb进行推理或使用经过作者适配的@小狼的infer.py\
 在第一个block中修改如下参数：
 ```
 config_path='checkpoints压缩包中config.yaml的位置'
@@ -48,9 +48,10 @@ key=0
 #变调参数，默认为0(不是1!!)，将源音频的音高升高key个半音后合成，如男声转女生，可填入8或者12等(12就是升高一整个8度)
 
 use_pe=True
-#梅尔谱合成音频时使用的F0提取算法，如果改成False将使用源音频的F0
-这里填True和False合成会略有差异，通常是True会好些，但也不尽然，对合成速度几乎无影响
-(无论key填什么 这里都是可以自由选择的，不影响)
+#梅尔谱合成音频时使用的F0提取算法，如果改成False将使用源音频的F0\
+这里填True和False合成会略有差异，通常是True会好些，但也不尽然，对合成速度几乎无影响\
+(无论key填什么 这里都是可以自由选择的，不影响)\
+44.1kHz下不支持此功能，会自动关闭，开着也不报错就是了
 
 use_gt_mel=False
 #这个选项类似于AI画图的图生图功能，如果打开，产生的音频将是输入声音与目标说话人声音的混合，混合比例由下一个参数确定
@@ -59,7 +60,7 @@ use_gt_mel=False
 add_noise_step=500
 #与上个参数有关，控制两种声音的比例，填入1是完全的源声线，填入1000是完全的目标声线，能听出来是两者均等混合的数值大约在300附近(并不是线性的，另外这个参数如果调的很小，可以把pndm加速倍率调低，增加合成质量)
 
-wav_gen='yyy.wav'#输出音频的路径，默认在项目根目录中
+wav_gen='yyy.wav'#输出音频的路径，默认在项目根目录中，可通过改变扩展名更改保存文件类型
 ```
 如果使用infer.py，修改方式类似，需要修改__name__=='__main__'中的部分，然后在根目录中执行\
 python infer.py\
@@ -68,10 +69,10 @@ python infer.py\
 ### 2.1 准备数据
 >目前支持wav格式和ogg格式的音频数据，采样率最好高于24kHz，程序会自动处理采样率和声道问题。采样率不可低于16kHz（一般不会的）\
 音频需要切片为5-15s为宜的短音频，长度没有具体要求，但不宜过长过短。音频需要为纯目标人干声，不可以有背景音乐和其他人声音，最好也不要有过重的混响等。若经过去伴奏等处理，请尽量保证处理后的音频质量。\
-目前仅支持单人训练，总时长尽量保证在5h或以上，不需要额外任何标注，将音频文件放在下述raw_data_dir下即可，这个目录下的结构可以自由定义，程序会自主找到所需文件。
+目前仅支持单人训练，总时长尽量保证在3h或以上，不需要额外任何标注，将音频文件放在下述raw_data_dir下即可，这个目录下的结构可以自由定义，程序会自主找到所需文件。
 
 ### 2.2 修改超参数配置
->首先请备份一份config.yaml，然后修改它：\
+>首先请备份一份config.yaml(此文件对应24kHz声码器, 44.1kHz声码器请使用config_nsf.yaml)，然后修改它\
 可能会用到的参数如下(以工程名为nyaru为例):
 ```
 K_step: 1000
@@ -122,19 +123,29 @@ pe_ckpt: checkpoints/0102_xiaoma_pe/model_ckpt_steps_60000.ckpt
 raw_data_dir: data/raw/nyaru
 #存放预处理前原始数据的位置，请将原始wav数据放在这个目录下，内部文件结构无所谓，会自动解构
 
+residual_channels: 384
+residual_layers: 20
+#控制核心网络规模的一组参数，越大参数越多炼的越慢，但效果不一定会变好，大一点的数据集可以把第一个改成512。这个可以自行实验效果，不过不了解的话尽量不动。
+
 speaker_id: nyaru
-训练的说话人名字，目前只支持单说话人，请在这里填写
+#训练的说话人名字，目前只支持单说话人，请在这里填写（只是观赏作用，没有实际意义的参数）
 
 use_crepe: true
 #在数据预处理中使用crepe提取F0,追求效果请打开，追求速度可以关闭
 
 val_check_interval: 2000
-每2000steps推理测试集并保存ckpt
+#每2000steps推理测试集并保存ckpt
+
+vocoder_ckpt:checkpoints/0109_hifigan_bigpopcs_hop128
+#24kHz下为对应声码器的目录, 44.1kHz下为对应声码器的文件名, 注意不要填错
 
 work_dir: checkpoints/nyaru
-#修改后缀为工程名
+#修改后缀为工程名(也可以删掉或完全留空自动生成，但别乱填)
+no_fs2: true
+#对网络encoder的精简，能缩减模型体积，加快训练，且并未发现有对网络表现损害的直接证据。默认打开
+
 ```
->其他的参数如果你不知道它是做什么的，请不要修改
+>其他的参数如果你不知道它是做什么的，请不要修改，即使你看着名称可能以为你知道它是做什么的。
 
 ### 2.3 数据预处理
 在diff-svc的目录下执行以下命令：\