省流：反响和呈现效果不错，也可以选择是否做出拼字的质感。
ai人力的优点：
1.可以省去重复挑选音节的时间，也避免了不同人听出来的发音差异，人力容易融入个人的发声习惯。
2.训练出来的模型可重复利用和迭代升级。
3.可以避免音频素材缺少相关音节的问题，虽然可以通过元辅音构成的方式进行拼字，但是像ARounder_的人力教程还是太吃熟练度了。
4.打破utau无相关声库的限制，这个我会在下面工作流解说部分，详细说明原因。跨语种0难度。
5.可以以原唱/翻唱为母本进行ai翻唱以适应一些需要唱歌无机械感的创作环境。
6.比较展望的角度来说，ai目前还在发展，未来可期。
ai人力的缺点：
1.存在一定程度上的创作道德质疑，这个是一个主观的问题。
2.比较吃硬盘空间，打军体拳（各种软件形成工作流的意思）的情况很严重，需要按照实际情况使用不同的模型和软件。
3.相对于传统拼字来说，工作强度并没有减少很多，相比于找音节，处理训练样本所需要的精力一点不比传统拼字方法要低，特别是新推出的HiFiShifter集成了Vages拼字和vhs调音的工作流，拼字的难度大大降低。比麦乐迪适用性更广。
4.生成的音频结果不一致，这个是ai生成的通病了，遇到两段生成的音频，好的前半段和好的后半段通常往往无法直接接合，因为发声的音调和响度都不相同，甚至还有音色不同的问题。
5.十分依赖样本效果，训练样本音频时长，人声纯净度对模型效果有影响，翻唱目标音频如果无法很好去除混响也是极易造成哑音，撕裂音乐的情况。
6.无法拼出特色台词，就按哲学为例，boy next door这些特色人力基本很难和ai人力结合。
7.一些仍需探索发现的问题。
比较下来，总体来说，除了能唱出人味和跨语种0难度之外，ai人力并没有多大优点，目前来看只是多提供了一种制作人力的方式。个人看来ai人力是有发展潜力的，不过仍需等待更好的模型。
关于个人ai人力的工作流分享
所用到的模型和软件：
1.RVC1006Nvidia （翻唱）
2.MSST 干声分离模型 （主要用于去混响）
3.UVR （用于提取纯人声）
4.Vegas （排布训练样本）
5.fl （输出结果的后处理）
6.SV5 （制作翻唱样本，可有可无）
第一步，收集你所需要的音频素材，在Vages进行编排，时长最好超过15分钟（素材量太少会导致后续训练模型失败）
第二步，将编排导出之后的音频拖进UVR进行人声提取，要注意有没有没清除干净的伴奏，如果有就重新提取，人声如果有混响则进入第三步，没有则跳过。
第三步，在MSST模型进行去混响处理。
第四步，在RVC进行模型训练，低精度模型一般设置100个训练回，一般够用。
第五步，制作翻唱目标，如果是自己填词则需要用到SV5选取合适的声库进行调教，SV5有特殊算法，歌词效果比utau好。（回答前面的问题，因为这一个步骤，sv5等软件可以作为翻唱目标，所以突破了声库限制，你只需找出最契合自己相关的声库调教好进行ai翻唱即可）
有配布可以选择使用，省去调教时间。通过让声库有一定的嘶哑声，可以后续让模型拟合出有拼字效果的人声。
我的制作的2026铃宵宴合作结尾，东方素材的白虎野の娘，似是故人来就是用了这种方法。
当然如果你想ai翻唱人声，则需要重复上面第一、二、三的步骤进行被翻唱的人声处理。
第六步，就是导入翻唱目标让训练好的模型进行拟合，挑选出最满意的几段音频。
第七步，在fl进行后处理。
我目前翻唱的工作流就是这样。
关于ai翻唱的创作道德讨论
当初的midi争论就很适合作为比喻，只要你能产出有自己心血的作品，没人会指责你用什么方法表达，大家都不喜欢低质且没有灵魂的内容。创作道德谴责的目标永远是视频背后的作者干了些什么，而不是谴责最表层的被使用的工具。更何况我个人使用ai翻唱的工作量并没有因此减少太多。
总体上我收获的反响还不错，更具体的反响可以翻看2026铃宵宴合作结尾单品的评论区，有些人跟我表达了这方面的想法，在稀神灵梦发的铃宵宴合作创作谈里，作者之间也有进行简单讨论。
进一步说，按照实用性来说，目前我其实觉得HiFiShifter更胜一筹，ai人力只能在一些地方突出自己的优势。
目前是我对于自己现阶段的ai人力翻唱的总结，欢迎大家进行后续的补充或分享不同于我的工作流。
2026.05.24
叫我fatcat
