AI孙燕姿翻唱爆火，多亏这个开源项目！广西老表带头打造，上手指南已出

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

AI孙燕姿这么快翻唱了这么多首歌，到底是咋实现的？

关键在于一个开源项目。

最近，这波AI翻唱趋势大火，不仅是AI孙燕姿唱的歌越来越多，AI歌手的范围也在扩大，就连制作教程都层出不穷了。

而如果在各大教程中溜达一圈后就会发现，其中的关键秘诀，还是要靠一个名为so-vits-svc的开源项目。

它提供了一种音色替换的办法，项目在今年3月发布。

贡献成员应该大部分都来自国内，其中贡献量最高的还是一位玩明日方舟的广西老表。

如今，项目已经停止更新了，但是星标数量还在蹭蹭上涨，目前已经到了8.4k。

所以它到底实现了哪些技术能引爆这波趋势？

一起来看。

多亏了一个开源项目

这个项目名叫SoftVC VITS Singing Voice Conversion（歌声转换）。

它提供了一种音色转换算法，采用SoftVC内容编码器提取源音频语音特征，然后将矢量直接输入VITS，中间不转换成文本，从而保留了音高和语调。

此外，还将声码器改为NSF HiFiGAN，可以解决声音中断的问题。

具体分为以下几步：

• 预训练模型
• 准备数据集
• 预处理
• 训练
• 推理

其中，预训练模型这步是关键之一，因为项目本身不提供任何音色的音频训练模型，所以如果你想要做一个新的AI歌手出来，需要自己训练模型。

而预训练模型的第一步，是准备干声，也就是无音乐的纯人声。

很多博主使用的工具都是UVR_v5.5.0。

推特博主@歸藏介绍说，在处理前最好把声音格式转成WAV格式，因为So-VITS-SVC 4.0只认这个格式，方便后面处理。

想要效果好一些，需要处理两次背景音，每次的设置不同，能最大限度提高干声质量。

得到处理好的音频后，需要进行一些预处理操作。

比如音频太长容易爆显存，需要对音频切片，推荐5-15秒或者再长一点也OK。

然后要重新采样到44100Hz和单声道，并自动将数据集划分为训练集和验证集，生成配置文件。再生成Hubert和f0。

接下来就能开始训练和推理了。

具体的步骤可以移步GitHub项目页查看（指路文末）。

值得一提的是，这个项目在今年3月上线，目前贡献者有25位。从贡献用户的简介来看，很多应该都来自国内。

据说项目刚上线时也有不少漏洞并且需要编程，但是后面几乎每一天都有人在更新和修补，现在的使用门槛已经降低了不少。

目前项目已经停止更新了，但还是有一些开发者创建了新的分支，比如有人做出了支持实时转换的客户端。

项目贡献量最多的一位开发者是Miuzarte，从简介地址判断应该来自广西。

随着想要上手使用的人越来越多，也有不少博主推出了上手难度更低、更详细的使用指南。

歸藏推荐的方法是使用整合包来推理（使用模型）和训练，还有B站的Jack-Cui展示了Windows下的步骤指南（https://www.bilibili.com/read/cv22375562）。

需要注意的是，模型训练对显卡要求还是比较高的，显存小于6G容易出现各类问题。

Jack-Cui建议使用N卡，他用RTX 2060 S，训练自己的模型大概用了14个小时。

训练数据也同样关键，越多高质量音频，就意味着最后效果可以越好。

还是会担心版权问题

值得一提的是，在so-vits-svc的项目主页上，着重强调了版权问题。

警告：请自行解决数据集的授权问题。因使用未经授权的数据集进行培训而产生的任何问题及其一切后果，由您自行承担责任。存储库及其维护者、svc开发团队，与生成结果无关!

这和AI画画爆火时有点相似。

因为AI生成内容的最初数据取材于人类作品，在版权方面的争论不绝于耳。

而且随着AI作品盛行，已经有版权方出手下架平台上的视频了。

据了解，一首AI合成的《Heart on My Sleeve》在Tik Tok上爆火，它合成了Drake和Weekend演唱的版本。

但随后，Drake和Weekend的唱片公司环球音乐将这个视频从平台上下架了，并在声明里向潜在的仿冒者发问，“是要站在艺术家、粉丝和人类创造性表达的一边，还是站在Deepfake、欺诈和拒付艺术家赔偿的一边？”

此外，歌手Drake对AI合成翻唱歌曲表达了不满。

而另一边，也有人选择拥抱这项技术。

加拿大歌手Grimes表示，她愿意让别人使用自己的声音合成歌曲，但是要给她一半版权费。

GitHub地址：https://github.com/svc-develop-team/so-vits-svc