model-production

name	model-production
description	Style-Bert-VITS2 の音声素材 ingest から dataset prepare、training、model promotion、evaluation までの制作手順

Model Production — SBV2 学習モデル作成ガイド

このスキルは、音声ファイルまたは音声ディレクトリから Style-Bert-VITS2 (SBV2) の学習モデルを作成する制作 workflow をガイドします。TTS 再生や声色選択は voice skill、制作系操作の開始前後チェックは sbv2-model-ops skill を使います。

基本方針

音声素材からモデルを作る標準順は次の通りです。

1. datasets ingest: 音声素材を bridge 管理 workspace にコピーし、dataset manifest を作る
2. datasets prepare: SBV2 の slice / transcription を実行し、resolved dataset_root/<modelName>/raw と esd.list を作る
3. training plan: 学習 stage と出力先を確認する
4. training run: resample、preprocess_text、bert_gen、style_gen、train_ms を job として実行する
5. models candidates: 昇格できる候補ディレクトリを確認する
6. models promote: candidate を resolved assets_root/<modelName> に昇格し、SBV2 からロード可能にする
7. evaluation run: 昇格後モデルの試聴用 sample と評価 manifest を作る
8. evaluation note: 人間の試聴結果を evaluation manifest に記録する

modelName は pipeline 全体のキーです。SBV2 の単一話者 workflow に合わせ、別の speaker name や project name は通常入力として持ちません。

slice、transcription、preprocess、training の詳細 option は通常 agent surface では指定しません。datasets prepare と training run は bridge の既定値を使い、必要になった場合は別 issue の advanced surface として扱います。

保存先は SBV2 の configs/paths.yml、次に configs/default_paths.yml、最後に SBV2 既定値から解決します。Data/<modelName> と model_assets/<modelName> は既定例であり、実際の dataset_root / assets_root が変わっている環境では CLI の pathRoles と表示された path を正としてください。

bridge state:
  ingest copy、manifest、job log、summary 用。SBV2 FastAPI からはロードされません。

SBV2 dataset:
  resolved dataset_root/<modelName>。slice/transcribe/preprocess/training 用です。

SBV2 loadable model:
  resolved assets_root/<modelName>。/models/info と /voice が使う runtime model です。

実行前確認

datasets ingest、datasets prepare、training run、evaluation run、models promote は artifact 作成、音声素材の永続化、長時間/GPU処理を伴います。開始前にユーザーへ次を提示して確認してください。

SBV2 の制作処理を開始します。
入力: <source path または manifest / candidate>
bridge state: <ingest workspace または job output/log>
SBV2 dataset: <resolved dataset_root>/<modelName>
SBV2 loadable model: <resolved assets_root>/<modelName>
job log: <jobs path>
処理: <ingest/prepare/training/evaluation/promote と stage>
既存出力への上書きは行いません。開始してよいですか。

ユーザー確認なしに、既存の resolved dataset_root/<modelName>、resolved assets_root/<modelName>、checkpoint、job artifact を上書きまたは削除しないでください。生成モデル、評価音声、入力音声の公開、共有、外部 upload、外部送信も行いません。

長めの処理の委譲

datasets prepare、training run、evaluation run は、ユーザーが同期実行を明示しない限り OpenClaw sub-agent / background task へ委譲します。親 session は plan、ユーザー確認、起動結果だけ扱い、実行中の poll loop は持ちません。

起動直後に親へ返す ID は OpenClaw runId / childSessionKey、または plugin runtime に渡した sessionKey と返却された runId です。sbv2-bridge jobId は起動時に必ず存在するものとして扱わず、完了後の job manifest ID として扱います。詳しい委譲ルールと失敗時の切り分けは sbv2-model-ops skill に従ってください。

Dataset ingest

まず音声素材を bridge workspace に取り込みます。

sbv2-bridge datasets ingest \
  --model-name my_voice \
  --source /path/to/audio-or-directory \
  --language ja \
  --no-use-jp-extra \
  --json

JP-Extra は英語・中国語発話をできなくするため、英語、中国語、多言語発話を残したいモデルでは --no-use-jp-extra を明示してください。日本語専用モデルで日本語品質を優先する場合だけ --use-jp-extra を使います。

sbv2-bridge datasets ingest \
  --model-name my_japanese_voice \
  --source /path/to/audio-or-directory \
  --language ja \
  --use-jp-extra \
  --json

--source は音声ファイルまたはディレクトリです。ディレクトリ直下に複数のサブディレクトリがある場合、その相対構造は style group として manifest に記録されます。

出力の dataset.manifestPath を後続工程で使います。pathRoles.bridgeState は一時 workspace、pathRoles.sbv2Dataset は SBV2 の学習 dataset、pathRoles.sbv2LoadableModel は最終的に FastAPI が読む model assets です。

Dataset prepare

datasets prepare は SBV2 root で slice / transcription を呼び、SBV2 が学習に使う dataset を作ります。

sbv2-bridge datasets prepare \
  --manifest /path/to/manifest.json \
  --json

既存の resolved dataset_root/<modelName>/raw、resolved dataset_root/<modelName>/esd.list、resolved assets_root/<modelName> がある場合は上書きせず失敗します。失敗時は下の Job 確認に従って、OpenClaw task と bridge job manifest のどちらを確認できる状態かを切り分けてください。

Training

先に plan で stage、出力先、衝突リスクを確認します。

sbv2-bridge training plan \
  --manifest /path/to/manifest.json \
  --json

問題なければ学習を開始します。ユーザーが同期実行を明示しない限り、このコマンドは OpenClaw sub-agent / background task に委譲してください。

sbv2-bridge training run \
  --manifest /path/to/manifest.json \
  --json

stage を限定する場合は --stage resample --stage preprocess-text のように指定します。通常は全 stage を実行します。既存の resolved dataset_root/<modelName>/models や resolved assets_root/<modelName> は上書きしません。

Job 確認

長時間処理の実行中は OpenClaw task ledger を確認します。

openclaw tasks show <runId|childSessionKey|sessionKey>

完了後、bridge jobId が生成されていれば job status と log を確認します。

sbv2-bridge jobs status <jobId>
sbv2-bridge jobs log <jobId> --tail 80

bridge jobId が無い失敗では、OpenClaw runId、実行 command、cwd、stdout/stderr、入力 manifest / model path を確認します。次に summary.json、dataset manifest、CLI の pathRoles、既存出力との衝突、SBV2 script や pretrained directory、GPU/依存関係を確認します。

Promotion

候補一覧を確認します。

sbv2-bridge models candidates \
  --model-name my_voice \
  --json

学習済み candidate を resolved assets_root/<modelName> に昇格します。実行時は model name の明示確認が必要です。

sbv2-bridge models promote \
  --model-name my_voice \
  --source /path/to/candidate-directory \
  --confirm-model-name my_voice \
  --base-url http://127.0.0.1:5000 \
  --json

evaluation run は SBV2 からロード可能な resolved assets_root/<modelName> を合成対象にします。学習直後の candidate directory を直接評価せず、先に models promote で resolved assets_root/<modelName> へ昇格してください。

Evaluation

昇格後モデルは、固定テスト文セットで sample WAV と評価 manifest を作ります。ユーザーが同期実行を明示しない限り、このコマンドは OpenClaw sub-agent / background task に委譲してください。

sbv2-bridge evaluation run \
  --model-name my_voice \
  --base-url http://127.0.0.1:5000 \
  --json

人間の試聴結果は evaluation manifest に記録します。

sbv2-bridge evaluation note \
  --evaluation /path/to/evaluation.json \
  --case ja-short \
  --decision hold \
  --message "語尾が少し不安定"

reject または reject recommendation がある model は OpenClaw の既定 voice に採用しません。問題がない場合だけ、OpenClaw provider config の defaultModelName / defaultSpeakerName / defaultStyle を更新します。