知乎同步更新：https://zhuanlan.zhihu.com/p/618630799

使用规约

SoftVC VITS Singing Voice Conversion 使用规约：

Warning：请自行解决数据集授权问题，禁止使用非授权数据集进行训练！任何由于使用非授权数据集进行训练造成的问题，需自行承担全部责任和后果！与仓库、仓库维护者、svc develop team 无关！

本项目是基于学术交流目的建立，仅供交流与学习使用，并非为生产环境准备。
任何发布到视频平台的基于 sovits 制作的视频，都必须要在简介明确指明用于变声器转换的输入源歌声、音频，例如：使用他人发布的视频 / 音频，通过分离的人声作为输入源进行转换的，必须要给出明确的原视频、音乐链接；若使用是自己的人声，或是使用其他歌声合成引擎合成的声音作为输入源进行转换的，也必须在简介加以说明。
由输入源造成的侵权问题需自行承担全部责任和一切后果。使用其他商用歌声合成软件作为输入源时，请确保遵守该软件的使用条例，注意，许多歌声合成引擎使用条例中明确指明不可用于输入源进行转换！
继续使用视为已同意本仓库 README 所述相关条例，本仓库 README 已进行劝导义务，不对后续可能存在问题负责。
如将本仓库代码二次分发，或将由此项目产出的任何结果公开发表 (包括但不限于视频网站投稿)，请注明原作者及代码来源 (此仓库)。
如果将此项目用于任何其他企划，请提前联系并告知本仓库作者，十分感谢。

免责声明

此文是2.0版本，因为前几天电脑中了勒索病毒，硬盘全部格式化，所以现有内容全靠记忆复述，可能有不严谨，错漏的地方，请谨慎阅读和理解。

在本文中出现的有为浏览者提供方便的第三方链接，其内容并不完全代表本人观点，凡是非本人声明且提供的，其造成的各种麻烦与我无关。

希望各位可以少走弯路，快速的、高效的、低成本的训练模型。

封面由AI生成。

关于训练

训练需要N卡，需要N卡，需要N卡，除非是高端显卡或者是用于深度学习的专业级显卡，我一律推荐云端训练；推理则在本地进行，推理对配置需求不高。

云端训练在Google Colab （需文明上网），我给出的Colab笔记本都是经过排错可以正常运行的。

在Colab你大概率能白嫖一张Tesla T4显卡，但是使用时间比较弹性，免费用户每天最长使用时间不超过12小时，所以，你想不间断地训练，可以多注册几个Google账号。

你只需要把采样数据的备份文件和最后训练的模型共享给其他账号，并把共享的文件的快捷方式添加到云端硬盘即可。（关于备份这一步，在Clob笔记本里会和云盘建立硬链接，按着交互顺序来即可。）

私人账号的Google Drive免费容量只有15G，训练集数据比较大的话，你就需要注意硬盘容量，清空掉多余的数据。

Colab笔记本使用方法也很简单，打开即用，基本没什么门槛，如果你还是不太明白，可以看一下具体一点的说明：免费的GPU——colab使用教程

训练集格式建议：统一分割成 2-10 秒的短音频文件，要WAVE格式。

打包格式普遍为 (具体项目具体分析) ：

zidingyi.zip
└─── name
        ├───abcd123.wav
        ├───...
        └───zidingyi_123.wav

其他注意事项：

训练中途不能添加或减少训练集。
实际训练出来的效果一般还是要看训练集的质量，比如不能有杂音噪音。
唱歌要看歌曲人声提取地是否干净，还有歌曲难度。
各个项目的模型不通用。

以上标准仅仅是个人建议，实际要求去看项目文档。

常用工具

仅仅是推荐。

音频自动切片：https://github.com/henrymaas/AudioSlicer

分离人声-UVR：https://github.com/Anjok07/ultimatevocalremovergui/releases

分离人声-RipX

伴奏抵消-utagoe

音频编辑-Adobe Audition

免费分离人声网站：yinzi-ai、vocalremover、ezstems

免费格式转换网站：convertio、cloudconvert、aconvert

环境搭建

我不提倡本地训练，所以搭建本地环境仅仅是为了推理。

云端推理可以跳过环境搭建这一步。

以So-VITS 4.0为例子，去项目地址下载项目文件，选个目录解压。

然后安装Python 3.8.10和Git

安装后在项目目录的资源管理器窗口鼠标右键Git Bash，输入：

py -3.8 -m pip install -r requirements_win.txt

如果提示缺少 Microsoft Visual C++ 14.0 is required，那你就根据命令窗口的提示，去下面链接下载：

https://visualstudio.microsoft.com/visual-cpp-build-tools/

然后下载“必要模型文件”放入hubert文件夹。

Colab笔记里都能找到下载地址，比如So-VITS 4.0-44的checkpoint_best_legacy_500.pt、So-VITS 4.0-v2的checkpoint_best_legacy_500.pt、So-VITS 3.0的hubert-soft-0d54a1f4.pt等。

推理可以直接建个批处理文件，打开WebUI界面操作:

py -3.8 webUI.py

注意！如果你选择gpu推理时报错 ↓

异常信息:Expected one of cpu, cuda, ipu, xpu, mkldnn, opengl, opencl, ideep, hip, ve, fpga, ort, xla, lazy, vulkan, mps, meta, hpu, mtia, privateuseone device type at start of device string: gpu 请排障后重试

你需要编辑一下webUI.py，找到第62行，把gpu改为cuda，如：

device = gr.Dropdown(label="推理设备，留白则为自动选择cpu和cuda",choices=[None,"cuda","cpu"],value=None)

本地推理建议你顺便安装 FFMPEG ，记得配置环境变量。不会操作就百度。

推理选择CUDA时，如果报错：

Torch not compiled with CUDA enabled

说明你可能没安装CUDA，或者没正确安装torch，根据PyTorch官方文档，你可能需要参考这个指令：

py -3.8 -m pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

2.0.0版本只最高支持到CUDA 11.8，你另外还可能需要安装cuDNN

最后，随便写个py脚本测试下，看你torch能不能用到CUDA：

import torch
print(torch.__version__)
print(torch.cuda.is_available())
print(torch.backends.cudnn.version())

运行结果为True

相信你走到这一步，应该能正常的、正确的、无障碍推理了。

如果你觉得麻烦，也可以选择云端推理。

效果参考

视频参考

P1 是sovits4.1 云端训练到云端推理的流程演示。

P2 和 P3 是sovits4.0 和 rvc 的训练效果参考。

数据集时长：近30分钟。

说话语种：普通话，微量日语。

说话方式/语气：念经，无起伏。

录音设备：7年前产的华为手机

录音环境：室内，无杂音。

音高：-12

无聚类，其余默认。

(移动端可能无法显示，需要切换桌面浏览)

如果加载崩溃，需要浏览器关闭广告屏蔽（网易云外链可能会被一部分浏览器当成广告屏蔽）

SoftVC VITS Singing Voice Conversion 4.0

训练步数：14400

AI的下限，我的上限，唱不了高难的。

纯人声（无处理）：

Retrieval-based-Voice-Conversion-WebUI

20 epoch （全程大概也就十几分钟）

无检索特征占比

效果比我想象的好，拔高到了不属于我的高度。

纯人声（无处理）：

纯人声-检索特征占比为1 时（无处理）：

2023.4.1x 更新的4.0版本

训练步数：20000

无NSF-HIFIGAN：

开启NSF-HIFIGAN（基本没什么区别，在这首歌上）

Amier 原声大碟分离样本

vocal：

Instrumental：

So-VITS 4

项目地址：https://github.com/svc-develop-team/so-vits-svc/tree/4.0

参考视频：【【AI翻唱/SoVITS 4.0】手把手教你唱歌给你听~无需配置环境的本地训练/推理教程[懒人整合包]】

Google Colab在线训练：So-VITS 4.0 速通.ipynb (我魔改的速通版)

跟进版本，用aria2c下载大文件。

4.0版本问题较少，建议优先使用。

So-VITS 4.1

项目地址：https://github.com/svc-develop-team/so-vits-svc/tree/4.1-Stable

Google Colab在线训练：So-VITS 4.1 速通.ipynb (我魔改的速通版)

增加推理可设置参数。

额外声音编码器支持。

用aria2c下载大文件。

So-VITS 4.0-Vec768-Layer12

项目地址：https://github.com/svc-develop-team/so-vits-svc/tree/4.0-Vec768-Layer12

Google Colab在线训练：So-VITS 4.0-Vec768-Layer12 速通.ipynb

没有底模。

So-VITS 4-v2

项目地址：https://github.com/svc-develop-team/so-vits-svc/tree/4.0-v2

项目说明：https://github.com/svc-develop-team/so-vits-svc/blob/4.0-v2/README_zh_CN.md

Google Colab在线训练：So-VITS 4.0-v2 速通.ipynb (我魔改的速通版)

Colab所用预训练模型出自：here

原版训练可能会莫名奇妙报错，应该和环境有关，我设置了一点措施，顺便做了一点汉化，可以用。

打印的错误信息（对号入座） ↓

Traceback (most recent call last):
  File "/usr/local/lib/python3.9/dist-packages/torch/multiprocessing/spawn.py", line 69, in _wrap
    fn(i, *args)
  File "/content/so-vits-svc/train.py", line 117, in run
    train_and_evaluate(rank, epoch, hps, [net_g, net_d], [optim_g, optim_d], [scheduler_g, scheduler_d],
  File "/content/so-vits-svc/train.py", line 194, in train_and_evaluate
    for batch_idx, data_dict in enumerate(train_loader):
  File "/usr/local/lib/python3.9/dist-packages/torch/utils/data/dataloader.py", line 628, in __next__
    data = self._next_data()
  File "/usr/local/lib/python3.9/dist-packages/torch/utils/data/dataloader.py", line 1333, in _next_data
    return self._process_data(data)
  File "/usr/local/lib/python3.9/dist-packages/torch/utils/data/dataloader.py", line 1359, in _process_data
    data.reraise()
  File "/usr/local/lib/python3.9/dist-packages/torch/_utils.py", line 543, in reraise
    raise exception
TypeError: Caught TypeError in DataLoader worker process 0.
Original Traceback (most recent call last):
  File "/usr/local/lib/python3.9/dist-packages/torch/utils/data/_utils/worker.py", line 302, in _worker_loop
    data = fetcher.fetch(index)
  File "/usr/local/lib/python3.9/dist-packages/torch/utils/data/_utils/fetch.py", line 58, in fetch
    data = [self.dataset[idx] for idx in possibly_batched_index]
  File "/usr/local/lib/python3.9/dist-packages/torch/utils/data/_utils/fetch.py", line 58, in <listcomp>
    data = [self.dataset[idx] for idx in possibly_batched_index]
  File "/content/so-vits-svc/data_utils.py", line 154, in __getitem__
    mel = audio.melspectrogram(wav, self.hparams.data).astype(np.float32).T
  File "/content/so-vits-svc/modules/audio.py", line 95, in melspectrogram
    S = _amp_to_db(_linear_to_mel(np.abs(D), hparams),
  File "/content/so-vits-svc/modules/audio.py", line 50, in _linear_to_mel
    _mel_basis = _build_mel_basis(hparams)
  File "/content/so-vits-svc/modules/audio.py", line 40, in _build_mel_basis
    return librosa.filters.mel(hparams.sampling_rate,
TypeError: mel() takes 0 positional arguments but 2 positional arguments (and 3 keyword-only arguments) were given

这个版本的依赖环境有点麻烦，建议在云端推理。

因为模型架构完全修改成了visinger2 架构，torch版本和4.0的不兼容。

除非你不想用CUDA，或者可以浪费一点硬盘空间把装好环境的Python3.8复制一份进去。

操作方法参考环境搭建那部分。

So-VITS 3

参考视频：【AI翻唱制作教程】- colab云端训练模型（适用于sovits 3.0）

项目地址：https://github.com/svc-develop-team/so-vits-svc/tree/3.0-32k

Google Colab 在线训练：So-VITS 3.0-32k 速通.ipynb (我魔改的速通版)

48K版:So-VITS 3.0-48K 速通.ipynb (我魔改的速通版)

4.2 打个补丁，原Colab笔记作者的Hugging Face下载链接错了，没有正确下载到底模。（模型的电音可能会比较重）

使用32K分支你需要将此文件转存到你的谷歌网盘根目录： Google Drive

我修改了resample.py第17行，也就是下面第8行的代码，防止重采样步骤报错。48K版需要自行手动修改。

def process(item):
    spkdir, wav_name, args = item
    # speaker 's5', 'p280', 'p315' are excluded,
    speaker = spkdir.replace("\\", "/").split("/")[-1]
    wav_path = os.path.join(args.in_dir, speaker, wav_name)
    if os.path.exists(wav_path) and '.wav' in wav_path:
        os.makedirs(os.path.join(args.out_dir2, speaker), exist_ok=True)
        wav, sr = librosa.load(wav_path)
        wav, _ = librosa.effects.trim(wav, top_db=20)
        peak = np.abs(wav).max()
        if peak > 1.0:
            wav = 0.98 * wav / peak
        wav2 = librosa.resample(wav, orig_sr=sr, target_sr=args.sr2)
        wav2 /= max(wav2.max(), -wav2.min())
        save_name = wav_name
        save_path2 = os.path.join(args.out_dir2, speaker, save_name)
        wavfile.write(
            save_path2,
            args.sr2,
            (wav2 * np.iinfo(np.int16).max).astype(np.int16)
        )