so-vits-svc是基于VITS的开源项目，VITS（Variational Inference with adversarial learning for end-to-end Text-to-Speech）是一种结合变分推理（variational inference）、标准化流（normalizing flows）和对抗训练的高表现力语音合成模型
应用so-vits-svc快速生成AI歌曲，仓库地址：
搭建训练环境
硬件需求
N卡，建议GPU达到GTX 3080显存8G以上。A卡应该是跑不了，只能通过CPU去跑了（AMD,no!）
本地环境搭建
python = 3.10
pip = 22.3.1
pytorch = 1.3.1
不同系统装python环境参考以下blog
so-vits-svc安装
在你自定义的目录下使用Git命令克隆项目：
git clone https://github.com/svc-develop-team/so-vits-svc.git随后进入项目的目录：
cd so-vits-svc接着安装依赖，如果是Linux或者Mac系统，运行命令：
pip install -r requirements.txt如果是Windows用户，需要使用Win系统专用的依赖文件
pip install -r requirements_win.txt依赖库安装成功之后，在项目的根目录运行命令，启动服务：
python webUI.py
程序返回：
PS D:\\so-vits-svc> python .\\webUI.py
DEBUG:charset_normalizer:Encoding detection: ascii is most likely the one.
C:\\Users\\zcxey\\AppData\\Roaming\\Python\\Python310\\site-packages\\gradio\\deprecation.py:43:
UserWarning: You have unused kwarg parameters in UploadButton,
please remove them: {\'variant\': \'primary\'}
warnings.warn( DEBUG:asyncio:Using proactor: IocpProactor
Running on local URL: http://127.0.0.1:7860
To create a public link, set `share=True` in `launch()`.
说明服务已经正常启动了，这里so-vits-svc会在后台运行一个基于Flask框架的web服务，端口号是7860，此时访问本地的网址：127.0.0.1:7860：
孙燕姿无损音色模型
链接: https://pan.baidu.com/s/1oMYzRcavt__ccZvFpOHLPg?pwd=mvtu
提取码: mvtu
- 下载模型文件之后，将模型文件放入logs/44k目录：
- 接着将模型的配置文件config.js放入configs目录：
- 随后，在页面中点击加载模型即可，这里环境就配置好了。
原始歌曲处理（人声和伴奏分离）
如果想要使用孙燕姿的模型进行二次创作，首先需要一段已经准备好的声音范本，然后使用模型把原来的音色换成孙燕姿模型训练好的音色即可
这里我们五月天的《我不愿让你一个人》来进行模拟，这两位歌手风格挺搭。慢歌适合新手，也方便我们练习。
需要注意的是，模型推理过程中，需要的歌曲样本不应该包含伴奏，因为伴奏属于“噪音”，会影响模型的推理效果，因为我们替换的是歌手的“声音”，排除伴奏。
这里我们选择使用开源库Spleeter来对原歌曲进行人声和伴奏分离，首先安装spleeter:
pip3 install spleeter --user关于spleeter更多的操作，请移步至：
接着运行命令，对《遥远的歌》进行分离操作：
spleeter separate -o d:/output/ -p spleeter:2stems d:/我不愿让你一个人.mp3
这里-o代表输出目录，-p代表选择的分离模型，最后是要分离的素材。
首次运行会比较慢，因为spleeter会下载预训练模型，体积在1.73g左右，运行完毕后，会在输出目录生成分离后的音轨文件
其中vocals.wav为五月天的清唱声音，而accompaniment.wav则为伴奏。
至此，原始歌曲就处理好了。
歌曲覆盖
此时，将五月天的清唱声音vocals.wav文件添加到页面中：
接着就是参数的调整：
这里推理歌曲会有两个问题，就是声音沙哑和跑调，二者必出其一。
F0均值滤波(池化)参数开启后可以有效改善沙哑问题，但有概率导致跑调，而降低该值则可以减少跑调的概率，但又会出现声音沙哑的问题。
基本上，推理过程就是在这两个参数之间不断地调整。
所以每一次运行都需要认真的听一下歌曲有什么问题，然后调整参数的值，这里我最终的参数调整结果如上图所示。
覆盖出来的歌曲同样也是wav格式，此时我们将覆盖的清唱声音和之前分离出来的伴奏音乐accompaniment.wav进行合并即可，
作品输出
ffmpeg -f concat -i <( for f in *.wav; do echo \"file \'$(pwd)/$f\'\"; done ) output.wav该命令可以把推理的人声wav和背景音乐wav合并为一个output.wav歌曲，至此我们的二次创作便完成了
原文：https://zhuanlan.zhihu.com/p/630115251
