开头
最近 AI 翻唱在 B 站太火了。
随便刷几条，播放量轻松破百万。评论区永远有两拨人在对峙：一拨说"这技术真的成熟了"，另一拨说"AI 味太冲一耳朵就听出来"。
我属于第三种——听完以后，手痒了。
这篇文章记录我从完全不懂到整出第一首 AI 翻唱的全过程。不讲玄学，只讲流程，以及每一步我实际踩过的坑。
先搞清楚三个词
正式动手之前，花两分钟把最核心的概念理清楚，后面的操作才不会一头雾水：
干声（Dry Vocal）：一首歌里只有人声，没有任何乐器、没有任何混响后期，干净得像录音棚里对着麦克风唱的那条音轨
伴奏（Instrumental）：去掉人声之后剩下的音乐部分，没有唱，只有编曲和节奏
混音（Remix）：把拆开的轨道重新组合，可以调整音量、加效果、改变音色
整个 AI 翻唱的技术链路：
原曲MP3
↓ 人声分离 → 干声 + 伴奏
↓ 声音转换 → AI音色干声
↓ 混音合并 → 成品AI翻唱
第一步：人声分离
工具我选 MSST-WebUI
不是什么名字新就用什么，而是它现在确实更稳。GitHub 1k stars，2026年3月23日还有更新，支持 BS-Roformer、BS-HyperACE v2 等新模型，对复杂编曲的分离效果比传统方案好很多。
如果只是想快速试一下流程不想配环境，UVR 下载 exe 双击就能跑，上手最简单。
我的操作顺序（供参考）：
先准备原始音频文件，优先用正式发行版，不建议用现场版或手机录屏
打开 MSST-WebUI，选 BS-HyperACE v2，设置输出目录
先跑默认参数，不要一上来乱改设置
跑完先单独试听两条输出：人声听有没有残留伴奏，伴奏听主唱有没有幽灵残留
如果不理想，有针对性地换模型重跑，不要直接推翻重来
我自己踩过的坑：
BS-HyperACE 效果确实好，但速度比 Demucs 慢，3060 跑一首4分钟的歌大约1-2分钟
分离出来的人声带一点残留伴奏是正常的，只要不明显影响主唱辨识度，后面还能修
不要一上来追求"绝对纯净"，先确认流程能跑通比卡在人声分离这一步反复微调更重要
最终输出： 原曲_vocals.wav（干声）和 原曲_instrumental.wav（伴奏）
第二步：准备目标声音参考
这一步是整个流程里最费时间、也最不能省的。
参考音频的质量直接决定后面转换出来的"像不像"。标准：
尽量干净，少混响少噪音少背景音乐
时长3-5分钟，信息量够
同一人的多种情绪状态比单一片段更有用
连续的30秒到1分钟，比东拼西凑的十几段3秒短片有用得多
不要做的事：
今天想做歌手A，导到一半又换歌手B，结果素材收了一堆没一份真正能用
找"最像"的片段而不是"最干净"的片段，模型不需要你帮它找重点
把原始下载素材和裁剪后的版本混在一起，后面自己把自己搞乱
我自己这次偷懒，用的是自己清唱录的几段，足够干净，也方便对比"AI学我的声音到底学到了多少"。
第三步：声音转换
这是最核心的一步。前两步做完，你手里有干声和目标声音参考，现在让模型把干声"唱"成目标音色的声音。
主推：HQ-SVC
AAAI 2026 论文开源实现，零样本技术，不需要为每个目标声音单独训练模型，给一段参考音频就能直接转换。对于先跑通流程的我来说，门槛最低。
我的操作顺序：
先把输入文件整理好，源干声和目标参考各放一个文件夹，文件名写清楚
先用一条最稳的参考音频跑首版，不要一上来就混很多素材
先跑默认或推荐参数，重点听"方向对不对"，不是"参数对不对"
重点检查：主歌低音区是否发虚、副歌高音区是否发尖、换气处有没有机械感
如果结果"不像"，先检查参考素材，不要第一反应怪工具
3060上跑一首4分钟的歌大约2-3分钟。首版出来方向通常已经对了，但气口自然度和细节层次距离商用方案还有差距——这是目前所有开源路线的共性。
遇到困难怎么办
HQ-SVC 需要 Linux 或 WSL，Windows 用户有已知的 segfault workaround。如果部署卡住了，或者你更想训练自己的专属声音模型，备用方案是 voice-changer（19.9k stars）或 Applio（3.1k stars），RVC 路线，更成熟，教程更多。
另外，So-VITS-SVC 已在2026年归档，不再推荐使用。
第四步：后期混音
前三步做完，你有一条新的AI干声和原来的伴奏。最后一步是让它们听起来像一首完整的歌，而不是一条孤零零贴在伴奏上的音频。
工具：Audacity，免费，够用。
我的处理顺序：
先把AI干声和伴奏同时导入，第一件事是确认两条音轨从头到尾对齐
先调音量关系，再加效果——歌词能听清，但人声不要整个压在伴奏脸上
给AI干声加一个克制的混响，让它别显得像贴在你耳边干唱
用 EQ 稍微切低频让声音更干净；如果齿音刺耳再针对高频做修整
整首从头听到尾，只挑问题段落修，不要全程来回盯着波形看
全套下来大约10分钟。不是因为我调得多专业，而是前面几步如果做得扎实，这一步真的不需要过度神化。
我的结果和感受
整条流程跑完大约花了5分钟出核心素材，加上10分钟左右做后期。
零样本模式下，音色方向已经挺接近目标参考了，只是气口自然度和情感层次距离成熟商用方案还有差距。这个落差要提前有预期，这样你第一次做出来时反而更容易判断问题到底出在哪一步。
真正让我上头的不是"这首歌有多好"，而是亲手跑通之后一下子看清了流程的感觉。
进阶方向：把中文歌改成R&B风格
做到这里很多人会想更进一步：不只是换声音，而是换风格。
中文歌改 R&B 之所以常见，是因为反差够大，容易出圈。R&B 的转音、滑音、切分节奏、反拍重音嫁接到熟悉的中文旋律里，会形成"既熟又陌生"的听感。
核心工具不变，只是在第四步混音时往 R&B 的方向调：节奏往反拍移动，加 Bassline 层次，用 EQ 做出温暖感。
唱腔适配是难点，中文咬字是单音节，英文 R&B 的转音技巧直接套用会奇怪，保留旋律骨架、在换气位置手动调整是目前的常见做法，没有工具能完全自动完成。
工具链汇总（2026年3月）
最后说两句版权
AI 翻唱的版权问题目前仍在法律灰色地带。B站相对宽松，但前提是不以盈利为目的；抖音、快手管控更严，直接发 AI 翻唱有被限流或下架的风险。
建议仅供个人娱乐和研究使用，发出去之前自己评估。
你们做 AI 翻唱时，最头疼的是哪一步？评论区聊聊。
