SVC Fusion整合包文档

Appearance

正式使用 SVC Fusion ​

TIP

新版本使用启动器来下载和更新本体

1：下载和部署 ​

官网：https://www.svcfusion.com/

获取整合包链接后进入网盘下载（目前 SVCFusion 使用 夸克网盘 发布）

整合包本体如下(该目录在 启动器目录/project 下)：

image.png

文件结构说明

文件夹说明
exp工作目录
archive训练归档文件夹
models已训练模型文件夹
dataset_raw原始数据集文件夹
data可用于训练的数据集存放位置
tmp数据处理临时文件夹

2：SVC-Fusion，启动！ ​

在启动器中点击启动按钮

启动可能需要等待一段时间。

出现提示框后，点击我同意，进入网页。

此时 cmd 控制台大概是这样的（使用 Fusion 时请勿关闭控制台！）

image.png

浏览器将自动打开网页，如下

image.png

TIP

推荐使用 Edge、Chrome 浏览器打开网页，并关闭网页翻译和加速器。

打开 webui 的过程中可能会出现若干警告，具体请详见文末的常见报错。

3：预处理 ​

image.png

点击“打开数据集文件夹”进入 dataset_raw 文件夹 ​

image.png

将准备好的数据集打包成文件夹放入此处，注意文件结构 ​

dataset_raw/
|-你的角色名字 1/
| | 1.wav
| | 2.wav
| | 3.wav
| ...
|-你的角色名字 2/
| | 1.wav
| | 2.wav
| | 3.wav
| ...

TIP

如果是单说话人，你的 dataset_raw 文件夹里面应该是这样的

image.png

如果是多说话人，你的 dataset_raw 文件夹里面应该是这样的

image.png

数据集文件夹里应当是这样的 所有音频都不需要手动切片，直接放入长音频即可。

image.png

注：数据集命名若包含 特殊字符或中文 则 可能 在处理时发生报错，可使用未鸟的批量重命名工具进行修正。所有音频都不需要手动切片，直接放入长音频即可。

为了能够直观地教学，本次以单说话人进行示范。

回到网页，选择数据处理，进行预处理 ​

image.png

选择需要的算法（算法选择参考前文） ​

image.png

若选择 sovits，则另有几个选项，按需勾选 ​

image.png

选择声音编码器（目前仅支持 768） ​

image.png

选择 F0 预处理器（通常为默认）

image.png

image.png

选择设备进行训练 ​

image.png

然后选择用于 reflow 的采样器 ​

image.png

选择完成后，点击”开始预处理“进行预处理 ​

image.png

预处理完成 ​

image.png

image.png

注：本教程以 ddsp6.3 为模型，其他算法的预处理/训练/推理界面略有不同，但操作逻辑相似。

4：训练 ​

点击进入训练界面 ​

image.png

选择参数（一般为默认参数，默参也能用） ​

以下为训练参数详解： ​
参数名称说明
训练批次大小batch_size（bs），越大越好，越大越占显存，注意不能超过训练集条数。根据显存酌情调整，
训练进程数如果你显卡较好，可以设为 0，会提升速度但不影响质量
训练精度默认 fp32（单精度），选择 fp16（半精度）、bf16（混合精度） 可以获得更快的速度和更低的显存占用，但是炸炉概率 up up
验证间隔每 N 步验证一次，同时保存。默认 1000
日志间隔每 N 步输出一次日志。默认 1。
强制保存模型间隔每 N 步保存一次模型。默认 1000
lr 衰减力度高级玩法，不建议动
缓存设备选择 cuda 可以获得更快的速度，但是需要更大显存的显卡 (SoVITS 主模型无效)，选择 cpu 则载入内存，减小硬盘 io 压力
缓存所有数据若内存和显存较小则建议关闭，
最大训练轮数默认 100000，不建议动，正常不需要跑这么久
使用预训练模型是否调用底模。勾选可以大幅减少训练时间，如果不懂不要动
确定参数后点击“开始/继续训练”开始训练 ​

image.png

等待弹出训练 bat

image.png

训练时长与数据集时长、质量、算法、预测器、bs、lr、GPU 相关，因此一般建议每 1000-2000 步（step）停下进行试听。使用 DDSP6.3 甚至更少

Tensorboard 可作为 loss 数值上的参考

注意：不要迷信步数和 loss，无论哪个算法都不是炼的越久越好的！

CF9E79DF424BB6DE3E9FE7FD6F317486.jpg

结束、暂停训练请按停止训练

5：推理 ​

来到推理界面 ​

image.png

首先选择用于推理的模型 ​

image.png

如果模型加载正常，则会显示相应的算法

image.png

接下来选择推理用的设备（优先使用 GPU）

image.png

点击选择模型进行加载 ​

image.png

加载成功后会显示说话人

image.png

放入用于转换音色的音频文件（即推理源） ​

image.png

若推理源没有经过人声分离，则需要勾选去除伴奏

image.png

接下来选择推理参数

image.png

以下为推理参数详解：

参数名称说明
f0 提取器用于音高提取/预测的模型，一般认为 remove 最均衡，fcpe 更自然
变调每 12 为一个八度，参考:女模型转男原声 12，男模型转女原声 -12，因异性声调不同的音色泄露、失真可以调节这个
音区偏移无
切片阈值人声切片的阈值，如推理源有底噪可以调为 -40 或更高
采样器用于 reflow 的采样器，一般默认就好
推理步数推理步长，一般默认就行
T Start控制 reflow 起点，一般默认就行
共振峰偏移值越大声音越细，值越小声音越粗

推理完成

image.png

可以试听推理后的音频，并对参数进行微调

如果对音频比较满意，可以进行保存

image.png

当然也可以使用我们自带的混音功能 ​

image.png

使用此功能需要上传未经处理的歌曲，点击“开始推理”稍等片刻即可看到结果

image.png