復(fù)現(xiàn)模型：https://github.com/PlayVoice/so-vits-svc

訓(xùn)練后得到的模型：https://pan.baidu.com/s/1rDBiX496T6irnMgK8ZBxjg?pwd=9r41? 提取碼：9r41

這篇文章可能適合什么讀者：對sovits的復(fù)現(xiàn)感興趣，但本地設(shè)備顯卡算力不足，打算通過autodl等平臺租借顯卡，在anaconda+linuxs平臺上復(fù)現(xiàn)sovits4.0的讀者。（雖然后文也有涉及一點(diǎn)win系統(tǒng)上復(fù)現(xiàn)可能出現(xiàn)問題）

以下內(nèi)容視作讀者具備基本的代碼復(fù)現(xiàn)知識，不過如果閱讀中有不理解的地方或者問題歡迎私信與我討論，也歡迎喜歡ai技術(shù)和nijisanji的各位在評論區(qū)交流心得。

筆者的復(fù)現(xiàn)平臺：linuxs系統(tǒng)+anaconda。顯卡是3090 cuda=11.6 顯存24g

• torch的版本我選用：pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu116。這里建議大伙選用符合你自己設(shè)備cuda版本的torch，把我這段的最后幾個數(shù)字改成你的cuda版本即可，不清楚自己的cuda版本可以用nvidia-smi指令查看。cuda一般是向上兼容的。

• py我選用python=3.8

• 其他環(huán)境配置參照github文檔中的requirements.txt，不過不建議直接pip install -r requirements.txt，因?yàn)閜yworld的安裝需要在先安裝好torch的基礎(chǔ)之上。實(shí)際運(yùn)行過程中發(fā)現(xiàn)requirements文檔也不太完整，可能還需要補(bǔ)充pip install一些東西，比如pip install librosa=0.8.0（如果最新版本或過早版本都會導(dǎo)致問題），tensorboard，另外starlette我用的也是0.26.1，因?yàn)閳箦e沖突了

• linuxs系統(tǒng)直接pip install pyaudio可能出錯。因?yàn)樵诎惭bPyAudio之前需要先安裝pyproject.toml-based projects，方法如下：

yes|sudo apt-get install portaudio19-dev

yes|sudo apt-get install python3-all-dev

pip install pyaudio

（參考自：https://blog.csdn.net/weixin_38369492/article/details/125992255。在sudo之前補(bǔ)充了yes|以免確認(rèn)）

• 執(zhí)行時preprocess_hubert_f0.py，如果出現(xiàn)no moudle found 'parselmouth'或者在parselmouth的安裝中報錯，請pip install?praat-parselmouth

• dataset raw/ 中的語音文件必須為wav格式否則無法進(jìn)行預(yù)處理，建議選用每條長度為6秒的主播的無背景噪音且音色清晰的語音60條-100條（此處參考https://github.com/SUC-DriverOld/so-vits-svc-Chinese-Detaild-Documents）。推薦的方法是下載一段主播的無背景音雜談，然后用剪切工具如“音頻編輯專家”等分成幾秒的小片段

• 我猜想加入一些消除bgm的歌回或是歌曲可以提高生成效果，有待驗(yàn)證

• 和本文無關(guān)不過順口一提我個人pip install比較喜歡用pypi源（即pip install (moudle name ) -i http://pypi.douban.com/simple --trusted-host pypi.douban.com）

• 有關(guān)人聲和背景音樂的分離，我一開始用到的網(wǎng)站是https://www.media.io/zh/vocal-remover.html，每日非會員可以進(jìn)行10次100m以內(nèi)的人聲分離（考慮到網(wǎng)站分離長音頻容易崩建議每次放進(jìn)去的音頻不要過長），輸出時也可以以wav格式輸出。另外一種方法是下載ultimate vocal remover (鏈接：https://github.com/Anjok07/ultimatevocalremovergui），這個程序的人聲分離性能很好但是體積不?。?g）且分離時燒cpu?？焖俜蛛x可用前一種方法，追求效果可用后者方法。

• windows系統(tǒng)下開始訓(xùn)練時如果出現(xiàn)報錯RuntimeError: Distributed package doesn't have NCCL built in，請將train.py第60行的dist.init_process_group(backend='nccl', init_method='env://', world_size=n_gpus, rank=rank)改為dist.init_process_group(backend="gloo", init_method='env://', world_size=n_gpus, rank=rank)

• 開始訓(xùn)練時如果出現(xiàn)爆顯存（error: cuda out of memory），建議調(diào)小batch_size，通過修改configs文件夾下的configs文件內(nèi)batch_size后跟的那個值來調(diào)整（沒有ide的話就用記事本打開就可以改），默認(rèn)為12，我24g顯存的3090是可以滿足。8g顯存的設(shè)備可以考慮batch_size調(diào)為4。

• 進(jìn)行推理時如果爆顯存，可以嘗試增大slice_db，如果依舊存在問題可以將要推理的raw分段

• 后續(xù)想到啥再補(bǔ)充