文章目录

• 1. 简介
• 2. 资源合集
• 3. 准备数据集
• • 3.1. 人声分离
  • 3.2. 音频进行切片化处理
  • • 3.2.1.
  • 3.3. 数据集存放格式要求
• 4. 训练
• • 4.1. 启动web UI.bat
  • 4.2. 识别数据集
  • 4.3. 数据预处理
  • 4.4. 设置训练超参数
  • • 4.4.1. 选择模型分支
  • 4.5. 进行训练
  • • 4.5.1. 关于显存的说明
• 5. 推理
• • 5.1. 加载模型
  • • 5.1.1. 加载模型配置
  • 5.2. 上传音频进行推理

1. 简介

• 如果我们想要克隆孙燕姿的声音，整体的思路很简单，首先找一些孙燕姿唱歌时没有伴奏的人声，然后把这个声音放到模型中进行训练拟合，让AI学习说话的这种声线风格，最后使用这个训练出来的模型进行推理和风格迁移，这样一首孙燕姿唱其他人歌曲的音频就制作出来了。

2. 资源合集

• 原始项目：GitHub – voicepaw/so-vits-svc-fork: so-vits-svc fork with realtime support, improved interface and more features.
• 懒人包：pan.baidu.com/s/12u LDyb5KSOfvjJ9LVwCIQ?pwd=g8n4
• 炼丹百科全书

3. 准备数据集

• 用于训练的音频数据集应该切分为10秒的音频，太长的话会爆显存
• 数据集是越多越好，但一般情况下，如果想要得到一个比较好的训练效果的话，有200段10秒的片段应该就差不多了

3.1. 人声分离

• 一般使用spleeter来完成这个工作
  GitHub boy1dr/SpleeterGui: Windows desktop front end for Spleeter AI source separation

3.2. 音频进行切片化处理

• 使用[Audio Slicer](…/…/…/…/…/…/…/…/…/音频/音频切片/Audio Slicer.md)来完成这个工作
  github.com/openvpi/audio slicer

3.2.1.

3.3. 数据集存放格式要求

• 
• 将所有数据集放到dataset_raw文件夹下
• 

4. 训练

4.1. 启动web UI.bat

• 
• 之后会自动弹出一个训练网页
• 127.0.0.1:7860/
• 
• 训练的时候需要有一张支持cuda的N卡，显存要求6gb以上

4.2. 识别数据集

• 点击训练选项卡中的识别数据集，
• 
• 就会自动识别到我们刚才放到dataset_raw文件夹下面的音频文件
  

4.3. 数据预处理

• 这个数据预处理很简单，只需要点击这个按钮选项即可开始进行处理
  
  预处理完结束之后，检查一下是否有对应的报错信息。
• 正常情况下，预处理结束之后，会生成非常长的一段过程信息，简单检查一下即可，如果没有报错的话，就证明这个预处理是成功的
• 
• 那么我们就可以把这个输出信息给清空，会方便接下来的操作显示
• 

4.4. 设置训练超参数

• 这里的超参数可以自行设置，也可以直接使用默认的参数
  

4.4.1. 选择模型分支

一共有两个分支，一个是v1，另一个是vec768-layer12，目前说来，应该是第二个分支效果更好，但是没有经过广泛验证。总体来说比较玄学，选择哪一个都可以

• 

• 如果GPU显存不是特别大的话，把这个Batch Size设的小一点，6G显存就设置为4即可
  

• 同时，为了减少显存占用，可以使用半精度进行训练
  

• 检查训练分支以及说话人列表
  

• 如果所有的参数都设置正确的话，点击这个写入配置文件，才可以让上面选项生效
  

4.5. 进行训练

• 点这个训练按钮就可以开始训练了，训练过程中会弹出来一个黑色的命令行窗口，
  

• 上面会有很多信息，其中我们主要关注这个reference_loss这个值是越低越好的，如果它的值可以在20以下的话，那么表示他的模型是相当不错的
  

• 需要说明的是，这个训练是不会自动充值的，需要你自己根据损失值来判断是否已经训练合乎要求了

4.5.1. 关于显存的说明

这样的过程中，如果爆显存了，那么就把这个数据集的切片设的更短一点，每段都设成5秒应该就够了

• 
• 
• 如果这样显存依然不够用的话，那么可以去云端租借一张GPU卡片
  我这边使用的是6G显存Batch Size为1的时候占用了3个G的显存
• 
• Batch Size为2，占用显存为4590，
• 
• Batch Size为6，占用显存为5623
• 
• 训练完成后，模型会保存在logs文件夹下面
  

5. 推理

5.1. 加载模型

• 训练完成后，回到推理的选项卡上面

5.1.1. 加载模型配置

如果是刚训练完，那么模型和配置文件的路径都是正确的。如果是从外部转移过来的的话，那么需要放到对应的位置才行

• 这个配置文件的路径是为 G模型和Kmeans聚类模型：logs\44k；配置文件：configs，
• 
• 如果路径不是这个的话，是读取不到的
  模型参数选择
• 这模型选择的是G打头的文件，后面的这个数字就是他的训练步数
• 
• 点完之后点击加载模型，稍等一会儿，这个模型就可以加载到自己的显卡上面了
• 

5.2. 上传音频进行推理

• 加载完模型之后，上传一段去除了背景声的音频，之后点击这个音频转换
  
  

• 推理完成后，点击这里进行试听

• 

• 如果确定是自己想要的效果的话，点击音频右边的三个点进行下载
  

• 需要注意的是，这里是纯人声，并没有伴奏，之后可以把它导入到PR或者一些类似的处理软件中进行声音的合成
  

• 之后就可以导出来或者发布到其他平台上了

(img-L8NnbjCy-1683636718490)]

• 需要注意的是，这里是纯人声，并没有伴奏，之后可以把它导入到PR或者一些类似的处理软件中进行声音的合成
  [外链图片转存中…(img-4E0VZD7i-1683636718490)]
• 之后就可以导出来或者发布到其他平台上了