首先B站是个学习的好地方

1 先准备数据

源数据用歌曲比较好，因为歌曲里人声的高中低音都有，学习的效果比较好

先一张专集就可以

2 使用Ultimate Vocal Remover处理数据

先去掉伴奏，设置如下

 

 

 

 

 

 

 

 

 

再去掉合声，设置如下

 

 

 

 

 

 

 

 

****__(Vocals)_(Vocals).wav就是结果文件了，可以听听，是不是只有人声了

3 文件分隔，一首歌对于显存来说太大了，我们要把人声分隔成更小的文件用到工具Audio Slicer

把文件复制到so-vits-svc-4.0\dataset_raw\{人物名}\下

 

 

 

 

 

 

选好路径后，默认参数就可以。

———以上是准备工作——–

4  动行 1、数据预处理

接下来可以直接运行整合包里的脚本 1、数据预处理.bat。

它会在so-vits-svc-4.0\dataset\44k\{人物名}下生成.pt    .npy 等文件，等它自动处理完成就可以了

 

5 运行 2、训练.bat 即可开启训练。

如果你的显卡够好，可以增加 batch_size 提高训练速度，对应的配置文件在 configs/config.json 文件里。

这个训练时间很长，大概需要十几个小时的时间。

(这一步时间很长，可以随机ctrl+c停下来，继续后边的步骤，效果不满意再继续这一步)

 

6 推理预测
推理预测同理，新运行 3、训练聚类模型.bat 生成数据 pt 文件。几分钟即可跑完。

然后修改 app.py 里的这一行：

model = Svc(“logs/44k/G_35000.pth”, “configs/config.json”, cluster_model_path=”logs/44k/kmeans_10000.pt”)

训练好的模型存放在了 logs/44k 目录下，这里改为你训练好的模型地址，以及对应的配置文件，最后是第三步生成的 pt 文件路径。

记住这里 app.py 必须改好，否则第四步会报错。

 

7 运行 4、推理预测.bat 文件。

程序会直接开启一个 webui，直接复制到浏览器地址栏中打开即可。

就是一个简单的 Web 页面，里面的参数，可以直接使用默认的，放入一个音频，即可转换音色了。

确认流程都跑通后，可以试着调整一些参数，个人影响太大，主要还是看训练数据，也就是用软件分离的干声质量。

 

8 处理完的声音是人物的人声没有音乐。要用PR等工具把之前UVR5分离出来的伴奏与人声合成在一起

大功告成！！！

UP主分享的整合包。

https://pan.baidu.com/s/1Jm-p_DZ2IVcNkkOYVULerg?pwd=qi2p