原来你需要的不是答案，而是时间。

so-vits-svc是基于VITS的开源项目，VITS（Variational Inference with adversarial learning for end-to-end Text-to-Speech）是一种结合变分推理（variational inference）、标准化流（normalizing flows）和对抗训练的高表现力语音合成模型。

基于Python3.10的开源库so-vits-svc

踩坑记

• 模型训练需要英伟达显卡，我的mac配置很高，没有。（如果已经获得模型文件，去运行推理是没有问题的）
• 电脑配置低，或者像我一样没有英伟达显卡的可以使用（不推荐）google的colab。有一定技术门槛，需要懂程序代码；需要翻墙；虽然免费但是每天有使用时长限制，我在模型训练运行中就直接给我断了。

• 人声伴奏分离不要使用 Spleeter，需要下载几个G的文件和模型，我使用后觉得效果很差。https://vocalremover.org/ 这个网站效果很好了，不用注册，简单易使用，几分钟搞定，如果想要专业点，使用UVR5 （Ultimate Vocal Remover），它目前是最优秀的人声伴奏分离工具之一，而且开源免费，开源地址：https://github.com/Anjok07/ultimatevocalremovergui ,windows和mac版本都有，也需要英伟达显卡，不过没有也可以用，就是差点意思。可以根据不同类型、乐器、背景音乐等去选择不同的算法，分离后的效果是不一样的，对于一般的歌曲来说差别似乎不是很大。需要时间去学习了解这个软件，追求高品质的同学要用它。这里有不错的介绍最强 AI 人声伴奏分离工具 UVR5，更新5.5版本

• 底模文件直接去官网下载，放到代码指定目录中。
• 这个开源库（so-vits-svc）已经停止更新，分支有好几个，使用默认 stable 分支，请先仔细查看readme文档说明。
• 训练模型需要使用的音频文件质量很关键，直接影响模型质量，推理质量。宁缺毋滥。这是一项庞大的工作，要有耐心。
• 推理的最终效果不好不一定是模型的问题，有可能是你想要让模型人物唱的歌并不适合模型人物，比如模型训练了一个男声，几乎都是低音素材，你要让他去唱韩红的青藏高原，他必然唱不上去的，沙哑或跑调或直接刺啦声了。
• 无论训练的是歌手还是动漫人物，都涉及到侵权问题，请慎重传播。

环境配置

首先确保本机已经安装好Python3.+的开发环境，这里我使用的是python3.9.0，随后使用Git命令克隆项目：

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

随后进入项目的目录：

cd so-vits-svc

接着安装依赖，如果是Linux或者Mac系统，运行命令：

pip3 install -r requirements.txt

依赖库安装成功之后，在项目的根目录运行命令，启动服务：

python webUI.py

安装 wget

brew install wget

wget --version

预先下载的模型文件,1.3G,需要一点时间。
根目录下

wget -P pretrain/ http://obs.cstcloud.cn/share/obs/sankagenkeshi/checkpoint_best_legacy_500.pt

由于mac坑太多，且存在诸多不便，台式机安排上。