SO-VITS-SVC 4.0 全流程教程

本篇目为项目SO-VITS-SVC 4.0的预处理及训练、推理提供相关教程，建议用于参考而非完全使用。本文章不是生活必需品，您也可以直接使用官方文档

---

法律条例参考及免责声明

《民法典》

第一千零一十九条

任何组织或者个人不得以丑化、污损，或者利用信息技术手段伪造等方式侵害他人的肖像权。未经肖像权人同意，不得制作、使用、公开肖像权人的肖像，但是法律另有规定的除外。 未经肖像权人同意，肖像作品权利人不得以发表、复制、发行、出租、展览等方式使用或者公开肖像权人的肖像。 对自然人声音的保护，参照适用肖像权保护的有关规定。

第一千零二十四条

【名誉权】民事主体享有名誉权。任何组织或者个人不得以侮辱、诽谤等方式侵害他人的名誉权。

第一千零二十七条

【作品侵害名誉权】行为人发表的文学、艺术作品以真人真事或者特定人为描述对象，含有侮辱、诽谤内容，侵害他人名誉权的，受害人有权依法请求该行为人承担民事责任。 行为人发表的文学、艺术作品不以特定人为描述对象，仅其中的情节与该特定人的情况相似的，不承担民事责任。

请自行解决数据集授权问题，禁止使用非授权数据集进行训练！任何由于使用非授权数据集进行训练造成的问题，需自行承担全部责任和后果！与仓库、仓库维护者、svc develop team 、本教程撰写者无关！

---

1.环境依赖

Python <= 3.10

NVIDIA-CUDA <= 11.8

Pytorch <= 2.0
FFmpeg

依赖库

Python

前往Python官网下载Python，版本需要低于3.10，目前暂不支持Python3.11。

安装完成后请输入python -V确认所安装的python版本。

如果你实在不会，可参阅此文章：Python 环境搭建 | 菜鸟教程

CUDA

在控制台中输入nvidia-smi 查看显卡驱动并检查所安装的CUDA版本。

若你未安装CUDA，请前往这里选择你所使用机器的对应版本下载安装。

Pytorch

安装Pytorch请注意所安装的CUDA版本，在Pytorch安装页选择对应的Pytorch版本，不同CUDA版本的安装命令有所不同。若版本不正确会导致Pytorch不能正常运行。 运行命令后将会自动安装torch torchvision torchaudio三个pypi包。

运行命令安装后请完成以下步骤检查Pytorch的运行情况

1. 在控制台中输入python进入交互式解释器。

2. 输入以下命令并检查返回结果

   >>>import torch    # 如正常则静默
   >>>torch.cuda.is_available()
   True

若返回结果不为True而为False，则需要重新安装直至返回值为True以表示目前GPU已可被正常使用。

False表示Pytorch无法正常调用GPU。

如果你所使用的环境曾经使用过其他使用了Pytorch的项目，请注意Pytorch版本与例如Xformers等的其他程序是否冲突。

FFmpeg

前往FFmpeg官网下载并解压，然后前往系统环境变量并在Path中添加FFmpeg解压后bin目录的位置[.\ffmpeg\bin]，完成后在控制台中输入ffmpeg确认是否有输出。

2.训练

2.1 获取源码

前往so-vits-svc项目仓库4.0分支获取源码，或直接clone以下地址获取主要分支源码

git@github.com:svc-develop-team/so-vits-svc.git

2.2 获取预先下载的模型文件

必须项

• contentvec ：checkpoint_best_legacy_500.pt
  • 放在hubert目录下

可选项（建议使用）

• 预训练底模文件： G_0.pth D_0.pth
  • 放在logs/44k目录下

目前G_0.pth 及 D_0.pth （底模）没有官方获得途径，请自行寻找获取方式。

本文章撰写者在HuggingFace上找到了个不知道是什么的链接，可以看看，里面是什么我真的不知道.jpg justinjohn-03/so-vits-svc-4.0 at main

虽然底模一般不会引起什么版权问题，但还是请注意一下，比如事先询问作者，又或者作者在模型描述中明确写明了可行的用途。

2.3 数据集准备

准备的训练数据，格式尽量为wav，不同的说话人建立不同的文件夹，每条语音控制在30秒内，确保语音不要有噪音或尽量降低噪音，一个文件夹内语音必须是一个人说的，语音的质量比起数量来说更重要。

将准备好的语音文件以以下文件结构将数据集放入dataset_raw目录中

dataset_raw
├───speaker0
│   ├───xxx1-xxx1.wav
│   ├───...
│   └───Lxx-0xx8.wav
└───speaker1
    ├───xx2-0xxx2.wav
    ├───...
    └───xxx7-xxx007.wav

完成后需要在.\dataset_raw文件夹内新建并编辑config.json，代码如下：

"n_speakers": 10    //修改数字为说话人的人数
"spk":{
    "speaker0": 0,  //修改speaker0为说话人的名字，需要和文件夹名字一样
    "speaker1": 1,  //值为编号
    "taoxisama": 2,
    "YajuuSenpai": 3,
    "xxx": 4,
    //以此类推
}

2.4数据预处理

以下步骤若出现报错请多次尝试，若一直报错则是环境依赖问题，可以根据报错内容使用搜索引擎查找解决方案或重新安装对应的库。

1. 重采样至 44100hz

python resample.py

2. 自动划分训练集 验证集 测试集 以及自动生成配置文件

python preprocess_flist_config.py

3. 生成hubert与f0

python preprocess_hubert_f0.py

执行完以上步骤后 dataset 目录便是预处理完成的数据，可以删除dataset_raw文件夹了。

2.5训练

可根据需求修改.\config\config.json 配置文件中train下的相关值以调整训练参数。

"train": {
    "log_interval": 200,
    "eval_interval": 1000,
    "seed": 1234,
    "epochs": 10000, //训练次数
    "learning_rate": 0.0001, //训练率，不建议过高，建议0.0001

运行以下命令开始训练

python train.py -c configs/config.json -m 44k

训练时会自动清除老的模型，只保留最新3个模型，如果想防止过拟合可以修改配置文件keep_ckpts 0为永不清除。

一般情况下训练6000次就能得到一个不错的声音模型（有时可能训练出的模型会导致输出僵尸音，需要重新训练，可能尸变是概率事件）。

2.6推理

2.6.1 分离人声

• 将需要推理的原歌曲文件处理为干声（人声），推荐使用UVR5分离人声。

• 将人声分割为若干个不长于40秒的片段，放入.\raw文件夹中。可使用FFmpeg进行分割。

---

以下是使用FFmpeg进行分割的示例：

ffmpeg -i "simpal_raw.mp3" -f segment -segment_time 30 -map 0 -c copy %03d.wav

该命令将会把原始文件分割为多个最长为30秒的文件。

---

以下是UVR5分离人声推荐步骤：（如果没有下列步骤的模型请在UVR5中下载）

• 第一步处理：

1. Process Method: Demucs

2. Stem: Vocals

3. Demucs Model: v3|UVR-Model-1

4. 勾选 GPU Conversion (使用GPU)

5. Start

• 第二部处理（进一步消除混响与和声）：

1. 选择第一步处理后的纯人声文件

2. Process Method: VR Architecture

3. Windows Size: 320

4. Aggression: 10

5. VR Model: 5_HP_Karaoke_UVR

6. 勾选 GPU Conversion (使用GPU)

7. 勾选 Vocals Only

8. Start

该方法能尽可能提取出歌曲中较为干净的人声

---

2.6.2 开始推理

• 使用 inference_main.py

4.0版本的推理增加了命令行支持

建议直接修改项目目录下的inference_main.py 文件。（见文件中注释对应修改，不建议修改#不用动的部分的内容）

训练模型建议选择最后生成的G_xxx.pth

python inference_main.py

你也可以使用命令行参数进行推理

# 例
python inference_main.py -m "logs/44k/G_30400.pth" -c "configs/config.json" -n "君の知らない物語-src.wav" -t 0 -s "nen"

必填项部分

• -m, --model_path：模型路径。
• -c, --config_path：配置文件路径。
• -n, --clean_names：wav 文件名列表，放在 raw 文件夹下。
• -t, --trans：音高调整，支持正负（半音）。
• -s, --spk_list：合成目标说话人名称。

可选项部分：见下一节

• -a, --auto_predict_f0：语音转换自动预测音高，转换歌声时不要打开这个会严重跑调。
• -cm, --cluster_model_path：聚类模型路径，如果没有训练聚类则随便填。
• -cr, --cluster_infer_ratio：聚类方案占比，范围 0-1，若没有训练聚类模型则填 0 即可。

推理生成所得音频文件在.\results目录中。

2.7（可选）增强

以下摘自官方文档

如果前面的效果已经满意，或者没看明白下面在讲啥，那后面的内容都可以忽略，不影响模型使用(这些可选项影响比较小，可能在某些特定数据上有点效果，但大部分情况似乎都感知不太明显)

自动f0预测

4.0模型训练过程会训练一个f0预测器，对于语音转换可以开启自动音高预测，如果效果不好也可以使用手动的，但转换歌声时请不要启用此功能！！！会严重跑调！！

• 在inference_main中设置auto_predict_f0为true即可

聚类音色泄漏控制

介绍：聚类方案可以减小音色泄漏，使得模型训练出来更像目标的音色（但其实不是特别明显），但是单纯的聚类方案会降低模型的咬字（会口齿不清）（这个很明显），本模型采用了融合的方式， 可以线性控制聚类方案与非聚类方案的占比，也就是可以手动在"像目标音色" 和 “咬字清晰” 之间调整比例，找到合适的折中点。

使用聚类前面的已有步骤不用进行任何的变动，只需要额外训练一个聚类模型，虽然效果比较有限，但训练成本也比较低

• 训练过程：
  • 使用cpu性能较好的机器训练，据我的经验在腾讯云6核cpu训练每个speaker需要约4分钟即可完成训练
  • 执行python cluster/train_cluster.py ，模型的输出会在 logs/44k/kmeans_10000.pt
• 推理过程：
  • inference_main中指定cluster_model_path
  • inference_main中指定cluster_infer_ratio，0为完全不使用聚类，1为只使用聚类，通常设置0.5即可

3.后期处理

将生成的干音和歌曲伴奏（也可以通过UVR5提取）导入音频处理软件（如Au等）进行混音和母带处理，最终得到成品。

祝你武运昌隆！