前言 & 簡介#
最近 AI 歌手非常流行，以至於 B 站直接開了個投稿活動
目前常用的有 RVC，VITS，DiffSinger
RVC 和 VITS 原理是變聲器，輸入音頻進行轉換。DiffSinger 則類似於 VOCALOID。
理論上來講 DiffSinger 會比 VITS 效果好。
但 VOCALOID 對於沒有學過音樂的學起來實在是困難（我也不會用）教程以後再寫（咕咕）
本教程在 Windows 可運行，Linux 需要修改步驟
首先先看下免責聲明
本教程旨在提供交流學習用途，不得用於商業目的或侵犯他人合法權益。隨意使用他人的聲音訓練發布可能違反《互聯網信息服務深度合成管理規定》等法律法規。在使用本教程及其相關模型時，請務必遵守相關法律法規，並遵守知識產權法律法規。任何因使用本教程及其相關模型而產生的法律紛爭，由使用者自行承擔一切後果，與本站作者無關。
教程準備#
數據集準備#
訓練可以使用人聲或說話的音頻，但不要混用，效果很差
使用人聲訓練的效果會接近歌手本來的唱法，而使用說話訓練就會接近輸入音頻的唱法
下面是例子
輸入音頻
使用人聲訓練
使用說話訓練
訓練音頻不要下載音質低的音樂，會影響效果
打開剛才安裝的 Ultimate Vocal Remover，用於分離伴奏和人聲
由於默認的模型處理起來效果不是很好，需要按以下步驟下載Demucs v4 htdemucs_ft模型
由於我已經下載過了，實際上應該選 Demucs v4 htdemucs_ft 別選錯
下載完成後注意紅線標註地方的設置，然後點擊 start（文件多的話需要幾小時時間）
輸出之後最好把音頻聽一遍，如果有雜音 破音 包含伴奏 音質像電話的直接不用或剪掉雜音部分，不然會非常影響效果
雖然 RVC 程序包含了截斷，但還是用 Audio Slicer 截斷一下比較好，打開 slicer-gui.exe 程序，在紅線標出的地方設置參數，然後點 start 開始
輸出後刪掉小於 5 秒的音頻，然後聽一下小於 10 秒的音頻是否全是噪音，是噪音的話刪掉
開始訓練#
RVC 程序包含了 python 運行環境，不需要準備運行環境了
直接打開 go-web.bat，稍等一會，會打開瀏覽器，如果沒打開自行打開http://127.0.0.1:7897/ 選擇 訓練，解釋的詞語可以改，沒解釋的最好別動
詞語解釋
輸入實驗名：模型的名字，不要和 logs 下的文件夾重名
目標採樣率：默認 40k 也可以改成 48k
輸入訓練文件夾路徑：輸入剛才 Audio Slicer 輸出的文件夾路徑
總訓練輪數 total_epoch：訓練輪數，最好 100 次以上模型效果會更好
保存頻率 save_every_epoch：保存頻率，如果總訓練輪數 total_epoch 調大需要調大不然會很占硬盤
每張顯卡的 batch_size：如果顯存 6G 不要修改，大於可酌情修改，實測 12G 顯存 3060 可以選擇 12 或 16batch_size
設置完成後點擊一鍵訓練然後等（還是睡一覺吧）
推理音頻#
需要用到 UVR，按照上文配置，但這次不需要選擇 vocals only，輸出記得換一個新的空白文件夾
特徵檢索文件在 logs\ 實驗名文件夾裡，added_開頭那個就是（如果不繼續訓練可以把特徵文件放在 weights 文件夾裡面然後刪掉 logs\ 實驗名文件夾，真的很占硬盤）
注意！訓練好的模型文件在 weights 文件夾下，不是 logs 文件夾裡面的內容
特徵檢索佔比最好在 0.6~0.9 之間，超過這個範圍效果很差，和歌手聲線差得多就不要用默認的 0.76
然後按下面圖片設置，點擊轉換即可
轉換完成下載之後使用如 Adobe Audition 之類的軟件把輸出的音頻和伴奏混合一下就可以了
結束#
教程結束力
有問題可以在評論區問😆