一、預處理
1.在進行預處理時，如果不明白需要的參數，可以使用命令獲取幫助，從這里我們可以看到可以具體的用法和對應的參數。
python preprocess.py --help
1 python preprocess.py ljspeech C:\test\DataSorce\LJSpeech-1.1\LJSpeech-1.1 C:\test\testOutput --preset=C:\test\Code\Python3\wavenet_vocoder\presets\ljspeech_mixture.json
2.接下來就直接輸入命令來獲取預處理的結果吧。
python preprocess.py ljspeech G:\DataSorce\LJSpeech-1.1\LJSpeech-1.1 G:\testOutput --preset=G:\Code\Python3\wavenet_vocoder-master\presets\ljspeech_mixture.json
3.最終得到的結果就是這些一堆的東西（還在研究有什么用）
二、訓練
1.在進行訓練時，如果不明白需要的參數，我們也可以使用命令獲取幫助，從這里我們可以看到可以具體的用法和對應的參數。
python preprocess.py --help
2.我們執行訓練的命令，遇到了一個問題
python train.py --data-root=G:\testOutput --preset=G:\testOutput\1.json
這個問題遇到了是因為我使用的json沒有使用對應的代碼中的對應的標准json導致，其實路徑就是代碼中的/preset/文件夾中的對應json即可
處理完這個問題之后，我們就可以進行訓練了，訓練的過程比較長，請大家耐心等待。個人使用的電腦cpu為i7 8700k鎖頻版本，4天生成一個訓練模型，請大家酌情考慮。
圖為檢查點生成結果，因為占用的時間比較就，所以現在在研究具體怎么遷移到虛擬機里面執行和訓練量的控制。