Suomi | 日本語 | English

Zundanen on paikallinen Windows-sovellus, joka muuntaa suomenkielisen tekstin ketjulla Finnish-NLP/Chatterbox-Finnish → RVC ja tuottaa WAV-tiedostoja paikallisilla RVC-äänimalleilla.

Samassa käyttöliittymässä ovat Batch Generation, valinnainen sanakohtainen Accent-muokkaus sekä Model Trainer, jolla voi kouluttaa RVC v2 -mallin (.pth + .index) äänikansiosta.

https://youtu.be/e5rfWdmxM20?si=ouU6rzhPJ9XnrOmY

• Windows 11 x64
• WinGet (yleensä mukana Windows 11:n App Installerissa)
• NVIDIA GPU suositeltu
• Model Trainer vaatii tällä hetkellä NVIDIA CUDA GPU:n
• Voice Generation toimii myös CPU:lla, mutta voi olla hyvin hidas
• Useita gigatavuja vapaata levytilaa suositellaan
• Accent käyttää v1.1.0:ssa Windows-natiivia Aalto/Kaldi-kohdistusta — WSL2:ta tai Docker Desktopia ei normaalisti tarvita

Voice Generation, Batch Generation, Model Trainer ja Accent toimivat ilman Dockeria. setup.bat asentaa Windows-natiivin Aalto/Kaldi Accent-moottorin yhdessä muun Zundanen-ympäristön kanssa.

Lataa projekti GitHubista kohdasta Code → Download ZIP ja pura se lyhyeen polkuun, esimerkiksi:

C:\Zundanen

Kaksoisnapsauta sitten setup.bat.

Normaali asennus valmistelee muun muassa:

Microsoft Visual C++ Redistributable
Microsoft Edge WebView2 Runtime
Git
FFmpeg
Python 3.11 + Finnish-NLP/Chatterbox-Finnish
Python 3.12 + RVC-WebUI
HuBERT / RMVPE / RVC pretrained assets
PyWORLD / WORLD vocoder
Windows-natiivi Aalto/Kaldi runtime
Intel oneMKL runtime tarvittaessa

TTS ja RVC käyttävät erillisiä virtuaaliympäristöjä runtime/-hakemiston alla.

v1.1.0:ssa setup.bat asentaa myös Accent-moottorin. Erillistä Accent-asennusta ei tarvita, eikä normaali Accent-käyttö vaadi WSL2:ta tai Docker Desktopia.

Joissakin Python-paketeissa on pitkiä sisäisiä polkuja. Liian syvälle purettu kansio voi aiheuttaa WinError 206 -virheen. Lyhyt polku kuten C:\Zundanen on suositeltava.

Jos asennus keskeytyy, korjaa syy ja suorita setup.bat uudelleen. Olemassa olevia osia hyödynnetään mahdollisuuksien mukaan.

Ympäristön voi rakentaa kokonaan uudelleen komennolla:

powershell -ExecutionPolicy Bypass -File .\setup.ps1 -Force

Asennuksen jälkeen suositeltu tapa on kaksoisnapsauttaa Zundanen.exe.

Se käynnistää paikallisen palvelimen taustalle ja näyttää käyttöliittymän omassa WebView2-ikkunassa. Ikkunan sulkeminen lopettaa myös paikallisen palvelimen.

Zundanen.exe ei ole tällä hetkellä koodiallekirjoitettu, joten Windows SmartScreen voi näyttää varoituksen. Pienen Windows-käynnistimen lähdekoodi on hakemistossa launcher_src/.

Selainversion voi käynnistää tiedostolla run_ui.bat:

http://127.0.0.1:8765

Jos olemassa olevaan asennukseen halutaan lisätä vain desktop-UI:n riippuvuus, käytä install_desktop.bat.

Repository sisältää käynnistimen lähdekoodin:

launcher_src/zundanen_launcher.go

build_launcher.bat rakentaa siitä uuden tiedoston:

dist\Zundanen.exe

Go-työkaluketjua tarvitaan vain silloin, kun käynnistin halutaan rakentaa uudelleen. Tavallinen käyttäjä ei tarvitse Goa. TTS-, RVC- ja mallikomponentit pysyvät projektin runtime/-hakemistossa eikä niitä pakata EXE-tiedostoon.

1. Valitse Character
2. Kirjoita suomenkielinen teksti
3. Säädä tarvittaessa Pitch / Index rate / Protect / Expression
4. Tarkista Seed. Kun Fix seed on pois käytöstä, jokainen generointi saa uuden satunnaisen seedin; käytössä ollessaan syötetty seed käytetään uudelleen
5. Paina Generate voice
6. Muokkaa halutessasi Accentia
7. Tallenna Save As... -painikkeella

Ehdotettu tiedostonimi sisältää päivämäärän/kellonajan ja TTS-seedin:

Zundamon_20260916_180000_seed123456.wav

Tallennusasetukset:

• Create subtitle TXT — tallentaa samannimisen .txt-tiedoston; oletuksena käytössä
• Save source audio — tallentaa puhtaan Finnish TTS -äänen ennen RVC:tä myöhempää korkealaatuista Accent-muokkausta varten; oletuksena pois käytöstä

Kun source audio on käytössä:

Zundamon_20260916_180000_seed123456.wav
Zundamon_20260916_180000_seed123456.txt             # jos TXT on käytössä
Zundamon_20260916_180000_seed123456_source.wav
Zundamon_20260916_180000_seed123456_source.json

_source.json sisältää metatiedot, joiden avulla alkuperäiset RVC-asetukset voidaan palauttaa myöhemmin.

RVC-mallit tunnistetaan normaalisti esimerkiksi rakenteesta:

runtime/rvc/exports/
├─ CharacterA/
│  ├─ CharacterA.pth
│  └─ CharacterA.index
└─ CharacterB/
   ├─ CharacterB.pth
   └─ CharacterB.index

Accent asennetaan osana normaalia setup.bat-asennusta. Setup valmistelee Windows-natiivin Aalto/Kaldi-runtimen, PyWORLD/WORLDin sekä tarvittaessa Intel oneMKL -runtimen. WSL2:ta, Docker Desktopia tai Aalto-Docker-kuvaa ei tarvita.

Asennuksen jälkeen puheen kohdistus käynnistyy automaattisesti Voice Generationin jälkeen. Zundanen kohdistaa suomenkielisen tekstin ääneen ja näyttää tavupainikkeet jokaiselle sanalle.

• valitse sanan aksenttitavu
• säädä Strength
• palauta muutokset Reset-painikkeella
• kuuntele tulos Preview -painikkeella

Windows-natiivi Aalto/Kaldi-kohdistus määrittää tavujen ajoituksen. WORLD/PyWORLD muokkaa RVC:tä edeltävää ääntä, jonka jälkeen RVC ajetaan.

Import WAV avaa aiemmin tallennettuja Voice Generation- tai Batch Generation -tuloksia uudelleen.

• samanniminen .txt luetaan automaattisesti, jos se löytyy
• Voice Generationin *_source.wav / *_source.json tunnistetaan automaattisesti
• Batch Generationin source_audio/-kansion vastaava source tunnistetaan automaattisesti
• source audion löytyessä käytetään laadukkaampaa pre-RVC → WORLD → RVC -reittiä
• vanhat/ulkoiset WAV-tiedostot ilman source audiota muokataan varareittinä suoraan WORLDilla

Batch Generation käsittelee useita tekstejä peräkkäin ja estää Windowsin automaattisen lepotilan jonon aikana.

Syöttötavat:

One line = one WAV
CSV

Jokainen tiedostonimi sisältää seedin, esimerkiksi:

001_seed123456.wav
002_seed987654.wav

CSV-sarakkeet:

filename,text,character,pitch,index_rate,protect,expression,seed

Vain text on pakollinen. Tyhjä filename tuottaa esimerkiksi 001_seed123456.wav; arvo intro tuottaa 001_intro_seed123456.wav.

Kun Fix seed on pois käytöstä, jokainen jonon kohde saa uuden satunnaisen seedin. Kun se on käytössä, Batch-näkymän Seed-arvoa käytetään uudelleen. CSV-rivin seed ohittaa Batch-asetuksen.

Tallennusasetukset:

• Create subtitle TXT — luo samannimisen .txt-tiedoston; oletuksena käytössä
• Save source audio — tallentaa Finnish TTS -lähdeäänen ennen RVC:tä; oletuksena pois käytöstä

Kun source audio on käytössä, kaikki Batch-lähteet tallennetaan source_audio/-kansioon:

outputs/batches/20260916_180000_ab12cd/
├─ 001_seed123456.wav
├─ 001_seed123456.txt
├─ 002_seed987654.wav
├─ 002_seed987654.txt
├─ source_audio/
│  ├─ 001_seed123456_source.wav
│  ├─ 001_seed123456_source.json
│  ├─ 002_seed987654_source.wav
│  └─ 002_seed987654_source.json
└─ failed_items.csv            # vain jos virheitä esiintyi

Jonon tila tallennetaan automaattisesti, ja keskeytettyä jonoa voi jatkaa Resume Queue -painikkeella.

Model Trainer -välilehdellä voidaan määrittää:

• Character name
• Dataset folder
• Epochs
• Batch size
• Save every
• Workers
• GPU
• Fresh training

Koulutusputki:

Audio dataset
  ↓
Preprocess / 40 kHz
  ↓
RMVPE F0
  ↓
HuBERT v2 / 768-dim
  ↓
RVC v2 training
  ↓
FAISS index
  ↓
runtime/rvc/exports/<Character>/<Character>.pth
runtime/rvc/exports/<Character>/<Character>.index

Windowsin automaattinen lepotila estetään koulutuksen ajaksi ja palautetaan koulutuksen päätyttyä tai keskeytyessä.

Ohje- ja seliteteksti voidaan vaihtaa kielille Suomi / 日本語 / English. Oletuskieli on Suomi ja valinta tallennetaan paikallisesti.

Painikkeet, tekniset nimet ja osa tilateksteistä pidetään tarkoituksella englanniksi.

Suorita:

powershell -ExecutionPolicy Bypass -File .\doctor.ps1

Doctor tarkistaa TTS/RVC-ympäristön lisäksi PyWORLDin ja Windows-natiivin Aalto/Kaldi Accent-moottorin.

Repository sisältää:

.github/workflows/windows-smoke.yml

Pushin ja pull requestin yhteydessä GitHub tarkistaa automaattisesti muun muassa:

• setup.ps1, doctor.ps1 ja install_accent_support.ps1 -skriptien syntaksin
• pienen Go-pohjaisen Windows-käynnistimen compiloinnin
• kevyen CI-setupin ja keskeisten Python-tiedostojen compiloinnin
• Flask-käyttöliittymän käynnistymisen
• /api/state-rajapinnan HTTP 200 -vastauksen

Tavallinen GitHub-hosted runner ei testaa varsinaista CUDA-TTS/RVC-generointia eikä täyttä Aalto/Kaldi-kohdistusta. Windows-natiivi Aalto/Kaldi-polku on validoitu Windows 11:ssä Finnish TTS -äänellä siten, että word/phone/syllable-timestampit muodostuvat ilman Dockeria.

.gitignore jättää pois esimerkiksi:

runtime/
config.json
outputs/
temp/
__pycache__/

Ladatut mallit, virtuaaliympäristöt, käyttäjäasetukset, RVC-mallit ja generoidut äänet eivät näin normaalisti päädy repositoryyn.

Zundanenin MIT-lisenssi ei anna oikeuksia kolmansien osapuolten hahmoääniin, koulutusdataan tai RVC-malleihin.

Jos käytät, julkaiset tai jaat kolmannen osapuolen ääntä, datasettejä, .pth- tai .index-tiedostoja, tarkista aina kyseisen oikeudenhaltijan, äänikirjaston ja datasetin käyttöehdot.

• Finnish-NLP/Chatterbox-Finnish: https://huggingface.co/Finnish-NLP/Chatterbox-Finnish
• ResembleAI Chatterbox: https://github.com/resemble-ai/chatterbox
• RVC: https://github.com/RVC-Project/Retrieval-based-Voice-Conversion-WebUI
• Aalto Finnish Forced Alignment: https://github.com/aalto-speech/finnish-forced-alignment
• Lingsoft aalto-kaldi-align-elg: https://github.com/lingsoft/aalto-kaldi-align-elg
• WORLD: https://github.com/mmorise/World
• PyWORLD: https://github.com/JeremyCCHsu/Python-Wrapper-for-World-Vocoder
• FFmpeg: https://ffmpeg.org/

Lisenssitiedot löytyvät myös tiedostosta THIRD_PARTY_NOTICES.md.