文章目录
我们今天介绍一个软件是用来做声音克隆的， 比如你可以将你的声音克隆下来， 然后将一段任何其他人的录音转换成你的声音。
这个工具的全称是“ VITS Voice Fork”， 简称为“so-vits-svc”。
我们今天网上看到的很多孙燕姿AI都是这种方法制作的。 我用我自己的声音制作了一段“蜜雪冰城”主题曲， 你可以听下像不像我的声音。
环境介绍
我这里列出我的软件安装环境， 所有安装步骤都是在该环境中适用。
安装
安装这种工具都是比较麻烦的， 而使用conda是简化你的安装过程的利器。
创建虚拟环境
使用conda创建一个虚拟环境， 名称是so-vits-svc， 名称是你自己任意指定的， 创建虚拟环境的好处是环境之间是相互隔离的，
也就是说你这次会安装很多依赖库， 这些依赖库不会影响到你其他项目的环境， 很多时候版本和依赖库版本不同，
项目之间必须隔离开。
1
conda create --name so-vits-svc
激活环境：
1
conda activate so-vits-svc
安装依赖
首先使用下面的命令安装cuda， 这是使用英伟达显卡必须的：
1
conda install -U torch torchaudio --index-url https://download.pytorch.org/whl/cu118
然后安装本软件：
1
conda install -U so-vits-svc-fork
以上步骤应该比较费时间， 我很顺利没有报错。
训练
安装好了上面的软件以后， 我们接下来就是要训练一个模型，
本例中， 这个模型就是学习的我的声音，
这个模型可以将任意人的声音转换为我的声音。
我们需要按照下面的步骤整理数据和训练数据。
录音
因为我经常录课， 所以我就是把我自己的课程视频转换为音频格式，
如果你没有现成的多媒体资源， 你可以自己录制声音，
选择你自己喜欢的录音软件， 录制至少十分钟的语音，
音质尽量要好， 录制时间越多越好， 我使用大概1小时的录音作为训练数据。
完成这个步骤， 你将得到一个名字为“.mp3”的文件。
分割
因为训练数据需要的是10秒以内的音频， 所以我们需要将上面得到的“.mp3”文件切割成短音频。
这里需要用到一个音频分割软件“”， 这个软件可以自动的将音频切分为10秒左右。
安装方法是跟上面类似：
1
2
3
4
conda create --name audiosilicer python=3.11 # 创建一个虚拟环境命名为audiosilicer
git clone https://github.com/henrymaas/AudioSlicer.git # 将代码下载到本地的文件夹， 这个文件夹名字是AudioSlicer
cd AudioSlicer # 设置工作目录是 AudioSlicer
pip install -r requirements.txt # 安装依赖
这个时候在文件夹下面你可以看到有一个文件“.py”， 打开这个文件， 修改你的输入文件, 例如我的输入文件是“.mp3”：
1
2
3
# Change the arguments and the input file here
input_file = 'C:\Teste\recording.mp3'
output_dir = 'C:\Teste\'
然后你在命令行运行下面的命令：
1
2
conda activate audiosilicer
python AudioSeg.py
这样在你设置的输出文件夹’C:Teste‘下就可以看到切割好的文件。
训练目录结构
有了数据， 下面就开始训练了， 首先你要创建一个目录结构， 例如我的工作目录是D:devso-vits-svc-fork,
然后在这个文件夹下面创建一个原始数据的文件夹， 名字必须为””,
然后在””中创建文件夹为“me”，这是语音的名字， 你可以任意命名， 最后能代表语音的意义。
把所有切割好的文件复制到me文件夹。
采样
工作目录设置为D:devso-vits-svc-fork，
然后运行命令svc pre-， 这个命令生成了一个文件夹， 里面存放了采样数据， 这是真正用于训练的数据。
配置文件
运行命令svc pre-， 这样会生成一个配置文件， 路径是D:devso-vits-svc-fork\44k.json， 打开这个文件，
你需要重点关注的是， 因为每个人的显卡可能不同， batch size决定的是一次训练多少个样本， 如果设置的过大， 会导致显卡内存溢出，
如果设置过小， 训练时间会太长， 我设置的是32， 你根据自己的显卡大小决定这个参数。
其他配置参数我们会有单独的教程。
下载模型
运行命令svc pre-， 下载模型。
训练
运行命令svc train -t，运行这个命令后就开始训练模型， 我花费了2天时间训练完成一个比较满意的效果。
使用
模型训练完成以后， 我们开始使用这个模型来生成自己的声音。 因为我不会唱歌， 但是大家都想听我唱歌。
所以我就用这个方法生成唱歌的声音。
分离人声
首先我下载了一个挖呀挖呀挖视频， 因为全网都在唱， 我想听听我唱出来是什么样子的。
然后我使用了软件 Vocal 软件， 它可以将音乐和唱声分开，
并且支持视频， 软件是免费的， 地址在：
输入视频后， 它生成了两个音频， 一个是背景音乐， 一个是唱声，我们需要用后者， 这个文件名为 (1)_().wav。
转换生成
在命令行运行命令svcg， 就会打开一个界面软件， 这是so-vits-svc-fork提供的界面。
软件会自动搜索你训练好的模型， 所以我没有设置模型的路径， 它自动找到了：
你需要设置的就是输入文件， 就是我们提取得到的人声文件 (1)_().wav,
然后点击“infer”按钮， 就开始生成你的声音了， 大概几秒的时间就可以得到转换好的声音。 最后我们来听听效果吧：
总结
这个软件生成的拟声效果是惊艳的， 很多人听了我”唱”的歌都认为很像。
所以我们可以深挖这个软件还能做什么， 本篇教程的主要目的就是记录我的安装和使用过程，
如果大家对这个软件很感兴趣， 我们可以出视频教程， 然后再深入探讨一下各种配置方法和使用方法。
如果你有什么问题， 请在下方留言。
相关文章
