dsh-train-pipeline
DSH 本地语音数据集 + DDSP 训练流水线：由智能代理驱动素材获取（查找/获取/解包），以 galgame 为主，其他来源可插拔
插件会安装到这里；不确定时保持 web。
npx -y @deepseek-ai/dsh plugin --profile web add github:InariNGT-Ofiicial/dsh-train-pipeline#81a55fbb6522f3e0313c07a4f52a964958d205beTrain Pipeline 以 dsh-train-pipeline 发布，当前版本为 0.5.0。Plugin Hub 会校验它的 manifest，并保存精确安装来源，便于复现安装结果。
正式版 v0.5.0 · 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。
DeepSeek Harness（DSH）的本地音色训练插件，版本 0.5.0。19 个工具覆盖本机素材查找、指定 URL 下载、部分吉里吉里封包解包、角色盘点、数据集整理、质量检查、DDSP Reflow 预处理与训练，以及训练结果注册。
与 dsh-cover-pipeline 配套：训练插件把 model_N.pt 和 config.yaml 放入约定的音色库，翻唱插件重载后发现并使用该音色。
Git 源码树仅包含源码、合成测试生成器和文档，不包含 DDSP 工程、模型权重、游戏素材、语音、歌曲或参考音频。
芳乃模型下载：20000 步权重与配套配置 按用户要求单独提供为公开 Release 附件，使用方法与 SHA-256 见 模型说明。它不随 git clone 或 npm 包下载，插件代码的 MIT 许可不自动适用于权重。
当前主要面向 Windows。需要 Node.js 18+、DSH 和可用的 DDSP-SVC 6.2 Reflow 工程及其 Python 环境。GPU 训练依赖该工程自己的 PyTorch/CUDA、预训练权重和配置；本插件不会安装 DDSP 或下载权重。
git clone https://github.com/InariNGT-Ofiicial/dsh-train-pipeline.git
cd dsh-train-pipeline
# 设置为自己的音频工程根目录，也可配置 train.local.json。
$env:DSH_COVER_ROOT = (Resolve-Path ../AudioWork).Path
node test/live.mjs train_doctor
dsh plugin --profile desktop add .
../AudioWork 仅为示例，应先准备自己的外部工程目录。安装后重载 DSH。环境布局、配置优先级和故障排查见 安装与配置；外部工具和权重清单见 材料说明。
train_doctor → train_plan → train_hunt / train_fetch / train_unpack
→ train_scan → train_build → train_qc
→ train_preprocess → train_run → train_status / train_stop
→ train_infer → train_register → 翻唱插件重载
可以在 DSH 中描述目标角色与素材目录。调用方需要逐步检查工具返回的 ok、报告和产物。train_plan 提供流程规则；它不会自动强制所有前置质量门，也不意味着一次自然语言请求必然完成整条链。
train_preprocess 会更换 DDSP 工程的 data/train/audio 与 data/val/audio，先把原有音频目录移动到训练工作区的 backup/。请使用独立训练工程，避免与正在运行的任务共用数据目录。train_run 遇到已有 checkpoint 默认停止，显式 confirmOverwrite=true 才继续。
| 输入 | 已实现行为 | 限制 |
|---|---|---|
| 按角色分目录的语音 | 按目录名盘点与整理；读取音频帧数计算时长 | 目录名仍需抽检；不能证明内容纯净或角色标注正确 |
JSON / KAG3 .ks 剧本 | 启发式提取 speaker / voice 引用，报告匹配率 | 陌生格式可能漏抓；立绘名推测仅供参考 |
| 普通 XP3、部分内嵌 EXE 封包 | 调用外部 arc_unpacker，按实际落盘文件检查结果 | 不覆盖所有引擎、版本或加密方式 |
| SenrenCxCrypt 系列 | 已有静态解析/解密实现；需兼容的 GARbro Formats.dat | 本机体验版验证通过，不承诺其他游戏兼容 |
| 单角色音频目录 | 指定角色后整理 WAV 数据集 | 不自动区分 BGM 或多人对话 |
| 番剧 / 录屏 | 适配器接口已留 | 分离、VAD、声纹归属尚未实现 |
时长口径：语音目录通过 soundfile 读取 frames / samplerate，不再按压缩文件字节数估时。文件损坏或格式不支持时报告失败数量与未知时长，不把部分总和标成完整时长。剧本分支仍使用 4.2 秒/句 的粗估，并明确标注“未实测”；质量检查报告使用实际数据集时长。
| 工具 | 用途 |
|---|---|
train_sources / train_plan | 实现状态、流程与决策提示 |
train_doctor / train_setup | 环境检查、配置建议、可选写入本机配置 |
train_hunt | 搜索本机目录与 Steam 库，受深度和时间预算限制 |
train_toolchain | 检查或从上游 GitHub release 安装解包工具；GUI 工具单独标识 |
train_fetch | 下载给定 URL，记录 URL、SHA-256 与时间，不内置资源站搜索 |
train_unpack / train_acquire | 解包、可选反编译；acquire 串接查找与角色盘点 |
train_scan | 源识别、角色数量、语音数、时长及匹配报告 |
train_build | 转码、单声道、重采样、只裁头 + 留尾、超长分段、尾音体检 |
train_qc | 采样率、时长、削波、静音、粗重复检测、尾音体检；apply=true 才移动不合格文件 |
train_preprocess | 备份旧音频，复制新数据，执行 draw.py / preprocess.py |
train_run / train_status / train_stop | 后台训练、日志与 checkpoint 状态、停止进程 |
train_infer | 选择已有 checkpoint 做短句推理，需人工试听 |
train_register / train_overview | 注册模型与配置、检查工作区和音色库 |
注册布局、指定步数和翻唱调用示例见 接入翻唱插件。注册默认拒绝覆盖，缺少同一实验的 config.yaml 或空模型时失败。注册成功只证明文件可发现，不证明模型音质。
train_build 默认只裁句首静音：句尾的自然衰减原样保留，末尾再兜 0.16s 静音底。这不是口味问题，是有实测的（同一批 383 条语料，GPT-SoVITS 线上做的对照）：
| 口径 | 旧的「双向裁」 | 留尾（当前默认） |
|---|---|---|
| 尾部静音中位 | 0ms | 160ms |
| 收尾电平（最后有声前 40ms，相对句内 90 分位） | −9.5dB | −24dB |
| 停在满电平（> −12dB）的样本 | 64% | 4% |
| 对应模型末三字完整念出率 | 33% | 93% |
| 对应音素错误率 | 0.197 | 0.018 |
旧的 trim_silence 是双向的：切到「最后一个有声帧 + 50ms」，等价于让每条数据都停在接近满电平。模型会把这学成「句子该在满电平处直接断」，推理时表现为吞末字、尾音没有衰减。
判据是 tail_stats（出料与 QC 都会打）：
median_end_db 收尾电平中位 —— 真人自然收尾约 −24dB；median_tail_ms 尾部静音中位 —— 太小说明尾巴被剃光；cut_ratio 收尾 > −12dB 的占比 —— 超过 0.3 判「句尾被切断」。train_build trimTail=true 可复现旧数据集（用于和历史模型对齐），会同时打警告：这是已知缺陷，不要用在生产集上。QC 只统计比例、不逐条判废——短促句（「あっ！」）本来就会停在较高电平，逐条判死会误杀。
补静音底救不了源本身切尾。 cut_ratio 高说明源 wav 已经停在满电平，再补零没有用：必须从原始封包（ogg/opus）重建，而且不要拿已经切过的 wav 再切一次（二次切分会再丢 0.3s 左右）。
python -m pip install -r requirements-test.txt
# 可选：指定用于合成测试的 Python 解释器。
$env:DSH_TRAIN_PYTHON = (Get-Command python).Source
npm test
CPU 套件不需要 GPU、真实模型、网络或游戏素材；覆盖工具契约、路径、启动失败、KAG3/JSON 解析、合成数据集与 QC、OGG 精确时长、注册与包内容。GitHub Actions 在 Windows/Linux 运行该套件。真实 GPU 训练和下载测试需要独立环境，详见 验证范围。
本机演示曾验证《千恋＊万花》体验版解包、角色目录整理、读取已有 20000 步检查点、注册和原翻唱插件调用。该演示没有重新训练模型，也不作为本仓库在其他机器上完整训练成功的保证。只发布计数与验证口径，不发布其原始素材、音频或权重。
插件代码采用 MIT。py/cxdec.py 的上游算法来源及许可保留在 第三方说明。外部工具按各自许可使用；代码许可不授予游戏素材、音色、表演、训练数据或模型的使用与再分发权。