目前主流的AI合成声音模型有三种：

VITS： 最早出现的基于GAN的网络模型，用于文字转语音，但是想要提升合成质量需要手动对数据集进行标注，并且很难跨语种，如使用日语训练集进行训练的模型，无法使用中文输入进行推理

(资料图)

So-vits-svc：据说是国人根据的VITS和soft-vc创建的开源模型，版本迭代到了4.0，其用于“AI换声”，可理解为柯南的蝴蝶结变声器，由于其仅学习声色特征，可用于跨语种（当然相似度肯定不如原语种直接换声）

ps：由于其拟声特性，许多人使用其进行歌声合成，但是考虑到必须有干声素材作为输入，灵活性并不高，之后笔者打算结合xstudio等软件作为输入尝试下调教

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

diffsinger：基于diffsion扩散模型实现的歌声合成，扩散模型也是Stable diffusion这一AI绘画模型所使用的，不过这一模型最大的问题就是很吃算力资源，文档中提到训练时需要准备不小于20G显存的显卡，因此笔者暂时放弃该模型。不过据说稳定性很高，有爱好者尝试后可以在评论区交流交流。

仓库地址：https://github.com/MoonInTheRiver/DiffSinger

笔者近些天折腾了下so-vits-svc的训练，以下是基本流程，希望能给后来者以借鉴

数据准备：

笔者从命运石之门（stein；gate）游戏中提取牧濑红莉栖角色语音2906条，将提取出的ogg格式语音转化为wav格式，并将其放在cristina文件夹下待用（理论上来说应该手动筛选掉时长过短或无意义的音频，但数据量过大，笔者并未人工处理）

ps：感谢大佬的开源项目用于解包游戏文件：https://github.com/rdavisau/sg-unpack

模型准备：

本人使用的是B站大佬的整合包，其打包了整个python环境与预训练模型，加入了几个简单的bat脚本，操作较为方便，有一定编程基础且不懒的可以直接通过上述仓库clone

视频链接：https://www.bilibili.com/video/BV1H24y187Ko

3. 需要了解的模型文件结构：

其中Cristina文件夹即先前整理过的放置角色语音的文件夹，直接放在dataset_raw文件夹下即可，logs/44k文件夹下存储了训练后的权重模型，其中默认放置了D_0,G_0作为预训练模型，config.json中决定了训练该如何进行，其中参数的意义在下文单独介绍

3.5.config.json的参数意义

大部分参数不需要去动他，除非你深刻了解自己要做什么,可以动的参数：

seed:初始化随机种子，如果训练效果不好，可以更改该值再次训练，或许会好些？不过一次完整的训练过程中不应改动该值

epochs：总共训练的轮次，一般设置为10000确保其不会停止，请记住，并不一定训练轮次越多，效果越好

learing_rate:学习步长，设置时尽量与batch_size成反比，如batch_size->2*batch_size,learing_rate->0.5*learning_rate

batch_size:其值越大训练越快，也越占显存，根据自己电脑显存设置，记得同步更改learning_rate

keep_ckpts: 最大保存模型数量，设置为0表示保存所有模型，一个模型大约500M，请根据自己硬盘容量进行设置

4. 点击数据预处理.bat或使用官方代码

5. 开始训练即可

6.检测训练效果

初级：直接从logs/44k中取出模型进行推理，人耳判别好坏

中级：训练过程中会打印每个epoch所花费的时间，以及相关loss数值，可以一般化的了解

高级：使用

然后在6006端口获取可视化数据

7.补充下各loss的意义

写在最后：

笔者使用租赁的3090，设置batch_size为12，跑上述2906个语音数据，大概3分钟一个epoch，在跑了一百多个epoch，步长为10400后效果较为理想。

并且先前笔者使用100个语音数据在个人电脑上（2060）简单跑了3000步左右（epoch次数忘了……），已经基本可以还原音色（或者是可以听出来是谁了），感觉模型质量还不错，鼓励大家尝试

ps: 对于命运石之门角色音线合成有兴趣的欢迎加群交流，群内已打包上传cris的音频数据集，桶子的声音也很有辨识度哇（笑）

交流群：

723240586

关键词：