項目地址

so-vits-svc：https://github.com/innnky/so-vits-svc

SoVits-Gradio：https://github.com/NaruseMioShirakana/SoVits-Gradio

訓練ai對電腦配置有一定的要求，請量力而行?。?！

如果只是想體驗一下請看前期準備和SoVits-Gradio，并到SoVits-Gradio（WebGUI）項目地址進行下載和使用。

如果想從頭開始訓練請看完本文，并到so-vits-svc項目地址進行下載與使用。

我把可能用到的軟件放到百度網盤了

鏈接:https://pan.baidu.com/s/1R61NQnxkqMbJRYVRPp-_hw?pwd=if2g

提取碼:if2g

前期準備

1.安裝python，最好是3.10以下的版本，如3.9/3.8——https://www.python.org/

2.安裝CUDA

打開cmd，執(zhí)行 nvidia-smi.exe 命令查看電腦的cuda版本（我的cuda版本為12.0，電腦系統(tǒng)是win11，如圖1）

到nvidia官網搜索對應的cuda版本并進行下載——developer.nvidia.com（如圖2，圖3）

在cmd里執(zhí)行 nvcc -V 命令查看是否安裝成功，如圖4（我這個是之前裝的，所以是11.7）

3.安裝代碼編輯器，vscode或者pycharm都行

4.安裝運行環(huán)境

下載項目后可以看見 requirements.txt 的文件，里面是運行所需要的第三方庫，使用 pip install -r requirements.txt 來快速安裝環(huán)境，但大概率會報錯。因此我們采用手動輸入的方式執(zhí)行。。。

打開cmd，依次執(zhí)行以下內容

5.安裝Pytorch——pytorch.org

pytorch需要與cuda和版本對應，我這里按老版本的cuda11.7為例?？梢灾苯釉诠倬W上選擇對應的版本，復制下面的命令到cmd里安裝，如圖5

requirements中顯示本項目需要：torch==1.10.0+cu113，torchaudio==0.10.0+cu113。其中113為cuda11.3版本，需替換成自己的。因為目前cuda12.0版本對應的pytorch還沒出，裝11.7就行。其他版本可到這個網站尋找——torch：https://download.pytorch.org/whl/torch/；torchaudio：https://download.pytorch.org/whl/torchaudio/

Ctrl+F搜索對應版本，torch和torchaudio都要按，cp310為python版本為3.10，如圖6

打開下載的文件夾，右鍵——在終端中打開——執(zhí)行 pip install .\torch-1.13.0+cu117-cp39-cp39-win_amd64.whl 安裝torch——執(zhí)行 pip install .\torchaudio-0.13.0+cu117-cp39-cp39-win_amd64.whl 安裝torchaudio（橙色部分替換成自己下載的文件名稱）

6.推薦裝個ffmpeg

SoVits-Gradio

1.下載地址：https://github.com/NaruseMioShirakana/SoVits-Gradio/releases/tag/1.0.0

2.在網盤里下載模型：nicole.zip

3.將nicole文件夾放在?SoVits - Gradio\checkpoints 文件夾內

4.右鍵——在終端中打開——執(zhí)行?python sovits_gradio.py

5.瀏覽器中打開 http://127.0.0.1:7860/

6.先點擊?SelectModel 載入模型，再點擊 VoiceConversion 進行音頻轉換。音頻一定要是干聲！關于干聲處理可以往下看。

so-vits-svc

訓練AI

一、準備素材

1.下載底模

hubert——https://github.com/bshall/hubert/releases/download/v0.1/hubert-soft-0d54a1f4.pt

G_0.pth——https://huggingface.co/innnky/sovits_pretrained/resolve/main/G_0.pth

D_0.pth——https://huggingface.co/innnky/sovits_pretrained/resolve/main/D_0.pth

將hubert放在 so-vits-svc-32k\hubert 文件夾內

將G_0.pth和D_0.pth放在 so-vits-svc-32k\logs\32k 文件夾內

2.準備訓練素材

想訓練哪個人物就去找對應的素材，最好是干聲素材，即只有訓練的那個人說話且沒有背景音。音源的處理方法可往下翻。

3.切分音頻素材

大部分聲音素材都是很長的，我們要把他切分成6-10秒左右的wav格式的音頻。

可以使用ffmpeg進行切分。D:\ai\voice.mp3 為文件路徑；-segment_time 00:00:06 為切分成6秒的片段；D:\ai\voice%d.mp3 為輸出路徑，其中%d為輸出整數(shù)，即自動命名為voice0，voice1，以此類推。

這里的voice最好替換成訓練人的姓名，如xiaoai（即：D:\ai\xiaoai%d.mp3），這個名字就是之后要訓練的模型的名字，在推理時要用到。

mp3轉wav可以用格式工廠或者ffmpeg。

二、數(shù)據(jù)預處理

1.重采樣至32khz

在 so-vits-svc-32k 文件夾內右鍵在終端中打開

執(zhí)行 python resample.py

查看 \dataset\32k 文件夾內是否有wav格式的音頻，有就是成功了

2.自動劃分訓練集 驗證集 測試集 以及自動生成配置文件

執(zhí)行 python preprocess_flist_config.py

3.生成hubert與f0

執(zhí)行 python preprocess_hubert_f0.py

三、訓練

用vscode打開so-vits-svc-32k項目（直接把文件夾拖進去就行）

執(zhí)行 python train.py -c configs/config.json -m 32k 進行ai訓練

如果報CUDA out of memory的錯，就是超顯存了。此時需要適當修改batch_size的值。打開config.json，將batch_size改成小一點的數(shù)。我的是RTX 3070 Laptop，值是5，如圖8。

出現(xiàn)epoch=1就是成功了。

四、小結

到這一步ai就正式跑起來了，日志可以查看\logs\32k\train.log，如圖9。如果音源質量好，一般到G_6000左右ai的聲音效果就很好了。

處理與推理音頻

一、尋找與制作干聲素材

1.以一首歌為例，先去網上找這首歌，下載

2.分離人聲與伴奏

推薦軟件：

①SpleeterGUI——https://makenweb.com/SpleeterGUI

有點：快速，配置要求低，有中文。

缺點：效果不是很好。

這個軟件在運行時可能會報找不到文件的錯，是因為缺模型文件。網盤里的2(4,5)stems就是，需解壓后放到 SpleeterGUI\pretrained_models 文件夾內。

②Ultimate Vocal Remover——https://github.com/Anjok07/ultimatevocalremovergui

有點：效果好

缺點：對電腦配置要求高，無中文。

以上兩款軟件操作很簡單，把文件拖進去就行。出現(xiàn)問題可自行百度解決。

二、開始推理

1.切分音頻

如果直接把整首歌放進去轉換可能會超顯存，因此要對音頻進行切分，分段替換。

推薦軟件：

①Adobe Audition

②Audacity——https://www.audacityteam.org/download/

重點說一下Audacity，軟件如圖10所示。Ctrl+滾輪是放大縮小音軌顯示范圍，Shift+滾輪是左右移動。拖入音頻，框住一段音頻后右鍵——點擊split clip切分音頻。文件——導出——導出選擇選擇的音頻可以將這段音頻導出。切記要導出為wav格式！

2.推理

將上一步的音頻放入 /raw 文件夾內

修改 inference_main.py 里的內容

執(zhí)行 python ./inference_main.py

結果將在 /results 文件夾里呈現(xiàn)

3.小結

如果推理出來的音頻效果不好有大致有兩個原因，一是訓練不夠，我的模型訓練到G_15000左右效果就已經很好了。二是干聲處理不好。尤其是對音頻的處理，拿翻唱歌曲為例，一定要找提取效果好的音樂進行人聲分離，而且必須是一個人演唱的歌曲，最好沒有混響，或者人聲與伴奏音色相近。這些都會使分離出來的干聲效果不好。相信我，你絕對不想聽到一個可愛的美少女用煙酒嗓唱歌。。。

總結

十分感謝觀看，我也是剛剛開始學習使用這些軟件，難免會有紕漏出現(xiàn)，如果文中出現(xiàn)錯誤請大家指正批評?。。?/span>