请前往Github阅读最新教程！B站专栏文档不更新！
https://github.com/SUC-DriverOld/so-vits-svc-Chinese-Detaild-Documents
本帮助文档为项目 [so-vits-svc](https://github.com/svc-develop-team/so-vits-svc) 的详细中文安装、调试、推理教程，您也可以直接选择官方[README](https://github.com/svc-develop-team/so-vits-svc#readme)文档
写在开头：与3.0版本相比，4.0和4.1版本的安装、训练、推理操作更为简单
建议直接点击访问[官方文档](https://github.com/svc-develop-team/so-vits-svc)
2023.8.2文档更新：
1. 提供4.1训练底模，需自行下载，下载地址：https://huggingface.co/Sucial/so-vits-svc4.1-pretrain_model 还包含扩散模型训练底模
2. 提供4.0训练底模，需自行下载，下载地址：https://huggingface.co/datasets/ms903/sovits4.0-768vec-layer12/tree/main/sovits_768l12_pre_large_320k 并需要改名为G_0.pth和D_0.pth
3. 提供3.0训练底模，需自行下载，下载地址：https://pan.baidu.com/s/1uw6W3gOBvMbVey1qt_AzhA?pwd=80eo 提取码：80eo
4. 修改了一下文档内容。
其实到这里你完全可以参考官方的文档来一步一步配置了，但如果你不清楚前置环境配置，可以继续往下阅读下面文章的第一部分 1. 环境依赖 即可
下面的文章仅介绍4.0版本的安装方法（其实是懒的更新）因为4.1的安装过程官方写的真的很详细！！！
# SO-VITS-SVC4.0详细安装、训练、推理使用步骤
## 0. 用前须知
### 任何国家，地区，组织和个人使用此项目必须遵守以下法律
#### 《民法典》
##### 第一千零一十九条
任何组织或者个人**不得**以丑化、污损，或者利用信息技术手段伪造等方式侵害他人的肖像权。**未经**肖像权人同意，**不得**制作、使用、公开肖像权人的肖像，但是法律另有规定的除外。**未经**肖像权人同意，肖像作品权利人不得以发表、复制、发行、出租、展览等方式使用或者公开肖像权人的肖像。对自然人声音的保护，参照适用肖像权保护的有关规定。
**对自然人声音的保护，参照适用肖像权保护的有关规定**
##### 第一千零二十四条
【名誉权】民事主体享有名誉权。任何组织或者个人**不得**以侮辱、诽谤等方式侵害他人的名誉权。
##### 第一千零二十七条
【作品侵害名誉权】行为人发表的文学、艺术作品以真人真事或者特定人为描述对象，含有侮辱、诽谤内容，侵害他人名誉权的，受害人有权依法请求该行为人承担民事责任。行为人发表的文学、艺术作品不以特定人为描述对象，仅其中的情节与该特定人的情况相似的，不承担民事责任。
#### 《[中华人民共和国宪法](http://www.gov.cn/guoqing/2018-03/22/content_5276318.htm)》
#### 《[中华人民共和国刑法](http://gongbao.court.gov.cn/Details/f8e30d0689b23f57bfc782d21035c3.html?sw=中华人民共和国刑法)》
#### 《[中华人民共和国民法典](http://gongbao.court.gov.cn/Details/51eb6750b8361f79be8f90d09bc202.html)》
#### 本教程仅供交流与学习使用，请勿用于违法违规或违反公序良德等不良用途
#### 出于对音源提供者的尊重请勿用于鬼畜用途
#### 继续使用视为已同意本教程所述相关条例，本教程已进行劝导义务，不对后续可能存在问题负责。
1. 本教程内容**仅代表个人**，均不代表so-vits-svc团队及原作者观点
2. 本教程涉及到的开源代码请自行**遵守其开源协议**
3. 本教程默认使用由**so-vits-svc团队维护**的仓库
4. 若制作视频发布，**推荐注明**使用项目的**Github**链接，tag**推荐**使用**so-vits-svc**以便和其他基于技术进行区分
5. 云端训练和推理部分可能涉及资金使用，如果你是**未成年人**，请在**获得监护人的许可与理解后**进行，未经许可引起的后续问题，本教程**概不负责**
6. 本地训练（尤其是在硬件较差的情况下）可能需要设备长时间**高负荷**运行，请做好设备养护和散热措施
7. 请确保你制作数据集的数据来源**合法合规**，且数据提供者明确你在制作什么以及可能造成的后果
8. 出于设备原因，本教程仅在**Windows**系统下进行过测试，Mac和Linux请确保自己有一定解决问题能力
9. 该项目为**歌声合成**项目，**无法**进行其他用途，请知悉
### 0.1 硬件需求
1. 推理目前分为**命令行推理**和**WebUI推理**，对速度要求不高的话CPU和GPU均可使用
2. 至少需要**6G以上**显存的**NVIDIA显卡**（如RTX3060）
3. 云端一般常见的为V100（16G）、V100（32G）、A100（40G）、A100（80G）等显卡，部分云端提供RTX3090等显卡
4. **云端训练**请**首选Linux**系统镜像，**不推荐**云端使用Windows系统进行训练
### 0.2 提前准备
1. **至少**准备200条8s（约30分钟**持续说话**时长，即约1.5小时**正常说话**采样）左右时长的**干净**人声（**无底噪，无混响**）作为训练集。并且最好保持说话者**情绪起伏波动较小**，人声**响度合适**，并且做好**响度匹配**
2. 请提前准备训练需要用到的**底模**（**挺重要的**）
3. **须知**：歌声作为训练集**只能**用来推理歌声，但语音作为训练集即可以推理歌声，也可以用来生成TTS。但用语音作为训练集可能使**高音和低音推理出现问题**（即缺少高低音训练样本），有一种可行的解决方法是模型融合。
4. 推理：需准备**底噪<30dB**，尽量**不要带过多混响和和声**的**干音**进行推理
5. **须知**：推理女声歌曲时，建议用女声训练模型，同理男声也类似（别问为什么，正常价位显卡训练不出这么广的音域）
### 0.3 训练周期
在**有底模**的前提下，选取**200条音频**作为训练集，经多次测试（RTX3060, `batch_size = 3`）得到以下结论：
1. 模型达到收敛的训练步数10w+（若每晚训练约8小时，需要约7天）
2. 模型大概能用的训练步数约2w-3w（若每晚训练约8小时，需要约2-3天）
3. 模型基本能用（没大问题）的训练步数约5w-8w（若每晚训练约8小时，需要约4-5天）
## 1. 环境依赖
> - **本项目需要的环境：**
> NVIDIA-CUDA
> Python <= 3.10
> Pytorch
> FFmpeg
### - Cuda
- 在cmd控制台里输入```nvidia-smi.exe```以查看显卡驱动版本和对应的cuda版本
- 前往 [NVIDIA-Developer](https://developer.nvidia.com/) 官网下载与系统**对应**的Cuda版本
以```Cuda-11.7```版本为例（**注：本文下述所有配置均在```Cuda-11.7```下演示**）[Cuda11.7下载地址](https://developer.nvidia.com/cuda-11-7-0-download-archive?target_os=Windows&target_arch=x86_64&target_version=11&target_type=exe_local) 根据自己的系统和需求选择安装（一般本地Windows用户请依次选择```Windows```, ```x86_64```, ```系统版本```, ```exe(local)```）
- 安装成功之后在cmd控制台中输入```nvcc -V```, 出现类似以下内容则安装成功：
```shell
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2022 NVIDIA Corporation
Built on Tue_May__3_19:00:59_Pacific_Daylight_Time_2022
Cuda compilation tools, release 11.7, V11.7.64
Build cuda_11.7.r11.7/compiler.31294372_0
```
#### **特别注意！**
- 目前为止pytorch最高支持到```cuda11.7```
- 如果您在上述第一步中查看到自己的Cuda版本>11.7，请依然选择11.7进行下载安装（Cuda有版本兼容性）并且安装完成后再次在cmd输入```nvidia-smi.exe```并不会出现cuda版本变化，即任然显示的是>11,7的版本
- **Cuda的卸载方法：**打开控制面板-程序-卸载程序，将带有```NVIDIA CUDA```的程序全部卸载即可（一共5个）
### - Python
- 前往 [Python官网](https://www.python.org/) 下载Python，版本需要低于3.10（详细安装方法以及添加Path此处省略，网上随便一查都有）
- 安装完成后在cmd控制台中输入```python```出现类似以下内容则安装成功：
```shell
Python 3.10.4 (tags/v3.10.4:9d38120, Mar 23 2022, 23:13:41) [MSC v.1929 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>>
```
- 配置python下载镜像源（有国外网络条件可跳过）
在cmd控制台依次执行
```shell
# 设置清华大学下载镜像
pip config set global.index-url http://pypi.tuna.tsinghua.edu.cn/simple
pip config set global.trusted-host pypi.tuna.tsinghua.edu.cn
```
#### 安装依赖库
- 首先我们需要**单独安装**```torch```, ```torchaudio```, ```torchvision```这三个库，下面提供两种方法
#### 方法1（便捷但不建议，因为我在测试这种方法过程中发现有问题，对后续配置AI有影响
> 直接前往 [Pytorch官网](https://pytorch.org/get-started/locally/) 选择所需版本然后复制Run this Command栏显示的命令至cmd安装（不建议）
#### 方法2（较慢但稳定，建议）
- **前往该地址使用```Ctrl+F```搜索直接下载whl包** [点击前往](https://download.pytorch.org/whl/)
> - 这个项目需要的是
> ```torch==1.10.0+cu113```
> ```torchaudio==0.10.0+cu113```
> ```1.10.0``` 和 ```0.10.0```表示是```pytorch```版本，```cu113```表示```cuda```版本```11.3```
> 以此类推，请选择**适合自己的版本**安装
- **下面我将以```Cuda11.7```版本为例**
***--示例开始--***
> - 我们需要安装以下三个库
> 1. [torch-1.13.0+cu117-cp310-cp310-win_amd64.whl](https://download.pytorch.org/whl/cu117/torch-1.13.0%2Bcu117-cp310-cp310-win_amd64.whl) 其中cp310指```python3.10```, ```win-amd64```表示windows 64位操作系统
> 2. [torchaudio-0.13.0+cu117-cp310-cp310-win_amd64.whl](https://download.pytorch.org/whl/cu117/torchaudio-0.13.0%2Bcu117-cp310-cp310-win_amd64.whl)
> 3. [torchvision-0.14.0+cu117-cp310-cp310-win_amd64.whl](https://download.pytorch.org/whl/cu117/torchvision-0.14.0%2Bcu117-cp310-cp310-win_amd64.whl)
- 下载完成后进入进入下载的whl文件的目录，在所处文件夹内右击空白处选择 **在终端中打开** 并执行下面命令以安装库
```shell
pip install .\torch-1.13.0+cu117-cp310-cp310-win_amd64.whl
# 回车运行(安装时间较长)
pip install .\torchaudio-0.13.0+cu117-cp310-cp310-win_amd64.whl
# 回车运行
pip install .\torchvision-0.14.0+cu117-cp310-cp310-win_amd64.whl
# 回车运行
```
- 务必在出现```Successfully installed ...```之后再执行下一条命令，第一个torch包安装时间较长
***--示例结束--***
安装完```torch```, ```torchaudio```, ```torchvision```这三个库之后，在cmd控制台运用以下命令检测cuda与torch版本是否匹配
```shell
python
# 回车运行
import torch
# 回车运行
print(torch.__version__)
# 回车运行
print(torch.cuda.is_available())
# 回车运行
```
- 最后一行出现```True```则成功，出现```False```则失败，需要重新安装
## 然后安装依赖（仅供参考，新版本的依赖有所变化了，以官方requirements.txt为准）
- 在任意位置新建名为```requirements.txt```的文本文件，输入以下内容保存
```shell
Flask==2.1.2
Flask_Cors==3.0.10
gradio==3.4.1
numpy==1.23.5
playsound==1.3.0
PyAudio==0.2.12
pydub==0.25.1
pyworld==0.3.2
requests==2.28.1
scipy==1.10.0
sounddevice==0.4.5
SoundFile==0.10.3.post1
starlette==0.19.1
tqdm==4.63.0
scikit-maad
praat-parselmouth
tensorboard
librosa
fairseq
```
- 在该文本文件所处文件夹内右击空白处选择 **在终端中打开** 并执行下面命令以安装库（若出现报错请尝试用```pip install [库名称]```重新单独安装直至成功）
```shell
pip install -r requirements.txt
```
### - FFmpeg
- 前往 [FFmpeg官网](https://ffmpeg.org/) 下载。解压至任意位置并在高级系统设置-环境变量中添加Path定位至```.\ffmpeg\bin```（详细安装方法以及添加Path此处省略，网上随便一查都有）
- 安装完成后在cmd控制台中输入```ffmpeg -version```出现类似以下内容则安装成功
```shell
ffmpeg version git-2020-08-12-bb59bdb Copyright (c) 2000-2020 the FFmpeg developers
built with gcc 10.2.1 (GCC) 20200805
configuration: [此处省略一大堆内容]
libavutil 56. 58.100 / 56. 58.100
libavcodec 58.100.100 / 58.100.100
...
```
# 到这里继续往下参考价值没有官方文档高了，建议直接阅读官方文档！！！
## 2. 预训练AI
### - 下载项目源码
- 前往 [so-vits-svc4.0](https://github.com/svc-develop-team/so-vits-svc) 下载源代码。
你也可以根据需要下载以下两个：
改善了交互的一个分支推荐：[34j/so-vits-svc-fork](https://github.com/34j/so-vits-svc-fork)
支持实时转换的一个客户端：[w-okada/voice-changer](https://github.com/w-okada/voice-changer)
- 解压到任意文件夹
### - 下载预训练模型
- 这部分官方文档写得很详细，我这边直接引用
#### **必须项**
- contentvec ：[checkpoint_best_legacy_500.pt](https://ibm.box.com/s/z1wgl1stco8ffooyatzdwsqn2psd9lrr)
- 放在`hubert`目录下
```shell
# contentvec
http://obs.cstcloud.cn/share/obs/sankagenkeshi/checkpoint_best_legacy_500.pt
# 也可手动下载放在hubert目录
```
#### **可选项(强烈建议使用)**
- 预训练底模文件： `G_0.pth` `D_0.pth`
- 放在`logs/44k`目录下
**从svc-develop-team(待定)或任何其他地方获取**
虽然底模一般不会引起什么版权问题，但还是请注意一下，比如事先询问作者，又或者作者在模型描述中明确写明了可行的用途
### - 准备训练样本
> 准备的训练数据，建议60-100条语音(**格式务必为wav，不同的说话人建立不同的文件夹**)，每条语音控制在**4-8秒！**（确保语音不要有噪音或尽量降低噪音，一个文件夹内语音必须是一个人说的），可以训练出效果不错的模型。
长音频可以使用辅助音频自动切片软件进行大量切片 [audio-slicer](https://github.com/openvpi/audio-slicer)
- 将语音连带文件夹（有多个人就多个文件夹）一起放入```.\dataset_raw```文件夹里，文件结构类似如下：
```shell
dataset_raw
├───speaker0
│ ├───xxx1-xxx1.wav
│ ├───...
│ └───Lxx-0xx8.wav
└───speaker1
├───xx2-0xxx2.wav
├───...
└───xxx7-xxx007.wav
```
- 此外还需要在```.\dataset_raw```文件夹内新建并编辑```config.json```，代码如下：
```shell
"n_speakers": 10 //修改数字为说话人的人数
"spk":{
"speaker0": 0, //修改speaker0为第一个说话人的名字，需要和文件夹名字一样，后面的: 0, 不需要改
"speaker1": 1, //以此类推
"speaker2": 2,
//以此类推
}
```
### - 样本预处理
#### 下面的所有步骤若出现报错请多次尝试，若一直报错就是第一部分环境依赖没有装到位，可以根据报错内容重新安装对应的库。（一般如果正确安装了的话出现报错请多次尝试或者关机重启，肯定可以解决报错的。）
#### 1. 重采样
- 在```so-vits-svc```文件夹内运行终端，直接执行：
```shell
python resample.py
```
- 成功运行后，在```.\dataset\32k```文件夹中会有说话人的wav语音。
#### 2. 自动划分训练集，验证集，测试集，自动生成配置文件
- 在```so-vits-svc```文件夹内运行终端，直接执行：
```shell
python preprocess_flist_config.py
```
- 出现类似以下内容则处理成功：
```shell
PS E:\vs\so-vits-svc> python preprocess_flist_config.py
100%|████████████████████████████████████████████████████████████████████████████████████████████| 1/1 [00:00<00:00, 1993.49it/s]
Writing ./filelists/train.txt
100%|████████████████████████████████████████████████████████████████████████████████████████████| 16/16 [00:00<?, ?it/s]
Writing ./filelists/val.txt
100%|████████████████████████████████████████████████████████████████████████████████████████████| 2/2 [00:00<?, ?it/s]
Writing ./filelists/test.txt
100%|████████████████████████████████████████████████████████████████████████████████████████████| 2/2 [00:00<?, ?it/s]
Writing configs/config.json
```
#### 3. 生成hubert和f0
- 在```so-vits-svc```文件夹内运行终端，直接执行：
```shell
python preprocess_hubert_f0.py
```
- 出现类似以下内容则处理成功：（我这里演示时只用了20条音频）
```shell
PS E:\vs\so-vits-svc-32k> python preprocess_hubert_f0.py
Loading hubert for content...
Loaded hubert.
100%|██████████████████████████████████████████████████████████████████████████████████| 20/20 [00:06<00:00, 3.03it/s]
```
- 执行完以上步骤后 dataset 目录便是预处理完成的数据，可以删除 dataset_raw 文件夹了
#### 4. 修改配置文件（必须）
- 打开上面第二步过程中生成的配置文件```.\configs\config.json```修改第```13```行代码```"batch_size"```的数值。这边解释一下```"batch_size": 12,```数值12要根据自己电脑的显存（任务管理器-GPU- **专用**GPU内存）来调整
> - **修改建议**
> 6G显存 建议修改成2-3
> 8G显存 建议修改成4-6
> "batch_size"参数调小可以解决显存不够的问题
## 3. 开始训练
- 在```so-vits-svc```文件夹内运行终端，直接执行下面命令开始训练
**注意：开始训练前建议重启一下电脑清理内存和显存，并且关闭后台游戏，动态壁纸等等软件，最好只留一个cmd窗口**
```shell
python train.py -c configs/config.json -m 44k
```
- 出现以下报错就是显存不够了
```shell
torch.cuda.OutOfMemoryError: CUDA out of menory. Tried to allocate 16.80 MiB (GPU 0; 8.0 GiB total capacity; 7.11 Gi8 already allocated; 0 bytes free; 7.30 GiB reserved in total by PyTorch) If reserved memory is >> allocated memory try setting max_split_size_mb to avoid fragmentation. See documentation for Memory Management and PYTORCH_cUDA_ALLOC_CONF
# 注意：一定是 0 bytes free < Tried to allocate 16.80 MiB 才是显存不足，不然就是别的问题
```
- **这边报错可能会比较多，如果出现报错先尝试重新执行```python train.py -c configs/config.json -m 32k```，多重试几遍，或者关机重启，一般是会成功的。如果报错一直是同一个报错，那就是对应的那里出问题了（要靠报错找问题所在）**
- 成功执行以后应该是类似如下内容：
```shell
2023-04-01 17:02:21,633 44k INFO {'train': {'log_interval': 200, 'eval_interval': 800, 'seed': 1234, 'epochs': 10000, 'learning_rate': 0.0001, 'betas': [0.8, 0.99], 'eps': 1e-09, 'batch_size': 2, 'fp16_run': False, 'lr_decay': 0.999875, 'segment_size': 10240, 'init_lr_ratio': 1, 'warmup_epochs': 0, 'c_mel': 45, 'c_kl': 1.0, 'use_sr': True, 'max_speclen': 512, 'port': '8001', 'keep_ckpts': 3}, 'data': {'training_files': 'filelists/train.txt', 'validation_files': 'filelists/val.txt', 'max_wav_value': 32768.0, 'sampling_rate': 44100, 'filter_length': 2048, 'hop_length': 512, 'win_length': 2048, 'n_mel_channels': 80, 'mel_fmin': 0.0, 'mel_fmax': 22050}, 'model': {'inter_channels': 192, 'hidden_channels': 192, 'filter_channels': 768, 'n_heads': 2, 'n_layers': 6, 'kernel_size': 3, 'p_dropout': 0.1, 'resblock': '1', 'resblock_kernel_sizes': [3, 7, 11], 'resblock_dilation_sizes': [[1, 3, 5], [1, 3, 5], [1, 3, 5]], 'upsample_rates': [8, 8, 2, 2, 2], 'upsample_initial_channel': 512, 'upsample_kernel_sizes': [16, 16, 4, 4, 4], 'n_layers_q': 3, 'use_spectral_norm': False, 'gin_channels': 256, 'ssl_dim': 256, 'n_speakers': 1}, 'spk': {'sanwu': 0}, 'model_dir': './logs\\44k'}
2023-04-01 17:02:21,634 44k WARNING E:\vs\so-vits-svc\so-vits-svc-4.0-sanwu is not a git repository, therefore hash value comparison will be ignored.
2023-04-01 17:02:24,816 44k INFO Loaded checkpoint './logs\44k\G_2400.pth' (iteration 7)
2023-04-01 17:02:25,289 44k INFO Loaded checkpoint './logs\44k\D_2400.pth' (iteration 7)
2023-04-01 17:04:07,531 44k INFO Train Epoch: 7 [27%]
2023-04-01 17:04:07,531 44k INFO Losses: [1.178899884223938, 5.447257995605469, 13.873568534851074, 45.92221450805664, 1.7247810363769531], step: 2400, lr: 9.991253280566489e-05
2023-04-01 17:04:12,999 44k INFO Saving model and optimizer state at iteration 7 to ./logs\44k\G_2400.pth
2023-04-01 17:04:13,783 44k INFO Saving model and optimizer state at iteration 7 to ./logs\44k\D_2400.pth
2023-04-01 17:06:45,604 44k INFO Train Epoch: 7 [79%]
2023-04-01 17:06:45,604 44k INFO Losses: [1.1601612567901611, 4.299866199493408, 13.368327140808105, 34.780784606933594, 1.5297999382019043], step: 2600, lr: 9.991253280566489e-05
2023-04-01 17:07:39,541 44k INFO ====> Epoch: 7, cost 317.91 s
2023-04-01 17:09:00,870 44k INFO Train Epoch: 8 [31%]
2023-04-01 17:09:00,871 44k INFO Losses: [0.7684269547462463, 4.85490608215332, 17.213212966918945, 42.981754302978516, 1.2239456176757812], step: 2800, lr: 9.990004373906418e-05
2023-04-01 17:10:57,125 44k INFO Train Epoch: 8 [83%]
2023-04-01 17:10:57,126 44k INFO Losses: [1.4237611293792725, 3.9369957447052, 13.494928359985352, 34.12102127075195, 1.412590503692627], step: 3000, lr: 9.990004373906418e-05
2023-04-01 17:11:34,132 44k INFO ====> Epoch: 8, cost 234.59 s
2023-04-01 17:13:16,350 44k INFO Train Epoch: 9 [36%]
2023-04-01 17:13:16,350 44k INFO Losses: [0.9615359306335449, 5.3759379386901855, 11.088563919067383, 34.991233825683594, 1.9573057889938354], step: 3200, lr: 9.98875562335968e-05
2023-04-01 17:13:20,401 44k INFO Saving model and optimizer state at iteration 9 to ./logs\44k\G_3200.pth
2023-04-01 17:13:21,223 44k INFO Saving model and optimizer state at iteration 9 to ./logs\44k\D_3200.pth
2023-04-01 17:13:21,813 44k INFO .. Free up space by deleting ckpt ./logs\44k\G_800.pth
2023-04-01 17:13:21,814 44k INFO .. Free up space by deleting ckpt ./logs\44k\D_800.pth
2023-04-01 17:15:17,549 44k INFO Train Epoch: 9 [88%]
2023-04-01 17:15:17,550 44k INFO Losses: [1.2361057996749878, 4.204023838043213, 13.108729362487793, 37.149662017822266, 1.6868081092834473], step: 3400, lr: 9.98875562335968e-05
2023-04-01 17:15:45,216 44k INFO ====> Epoch: 9, cost 251.08 s
```
- 出现类似以上的内容就说明是在开始训练了（显存会直接爆满）。停止训练有下面两种方法：
> 1. 按```Ctrl+C```
> 2. 直接右上角叉掉
> 在控制台中运行 ```python train.py -c configs/config.json -m 44k```即可继续训练
- 注意：上述训练过程第一次运行时可能会出现如下报错，不用理会即可（如果你懂pth文件结构可以尝试修复）
```shell
2023-04-01 09:58:55,507 44k INFO emb_g.weight is not in the checkpoint
2023-04-01 09:58:55,507 44k INFO pre.weight is not in the checkpoint
2023-04-01 09:58:55,508 44k INFO pre.bias is not in the checkpoint
2023-04-01 09:58:55,508 44k INFO enc_p.proj.weight is not in the checkpoint
2023-04-01 09:58:55,508 44k INFO enc_p.proj.bias is not in the checkpoint
2023-04-01 09:58:55,508 44k INFO enc_p.f0_emb.weight is not in the checkpoint
2023-04-01 09:58:55,508 44k INFO enc_p.enc_.attn_layers.0.emb_rel_k is not in the checkpoint
2023-04-01 09:58:55,509 44k INFO enc_p.enc_.attn_layers.0.emb_rel_v is not in the checkpoint
2023-04-01 09:58:55,509 44k INFO enc_p.enc_.attn_layers.0.conv_q.weight is not in the checkpoint
2023-04-01 09:58:55,509 44k INFO enc_p.enc_.attn_layers.0.conv_q.bias is not in the checkpoint
2023-04-01 09:58:55,509 44k INFO enc_p.enc_.attn_layers.0.conv_k.weight is not in the checkpoint
2023-04-01 09:58:55,509 44k INFO enc_p.enc_.attn_layers.0.conv_k.bias is not in the checkpoint
2023-04-01 09:58:55,509 44k INFO enc_p.enc_.attn_layers.0.conv_v.weight is not in the checkpoint
2023-04-01 09:58:55,510 44k INFO enc_p.enc_.attn_layers.0.conv_v.bias is not in the checkpoint
2023-04-01 09:58:55,510 44k INFO enc_p.enc_.attn_layers.0.conv_o.weight is not in the checkpoint
2023-04-01 09:58:55,510 44k INFO enc_p.enc_.attn_layers.0.conv_o.bias is not in the checkpoint
#此处省略更多
#…………
```
### - 日志及训练次数的查看
- 日志保存的位置：```.\logs\44k\train.log```
**阅读举例：**
```shell
# 示例3
2023-02-08 18:32:24,942 44k INFO [2.252035617828369, 2.5846095085144043, 8.220404624938965, 5 17.75478744506836, 0.9781494140625, 2000, 9.911637167309565e-05]
2023-02-08 18:32:28,889 44k INFO Saving model and optimizer state at iteration 72 to ./logs\44k\G_2000.pth
2023-02-08 18:32:29,661 44k INFO Saving model and optimizer state at iteration 72 to ./logs\44k\D_2000.pth
# 示例1
2023-02-08 18:32:39,907 44k INFO ====> Epoch: 72, cost xxx s
2023-02-08 18:33:00,099 44k INFO ====> Epoch: 73, cost xxx s
2023-02-08 18:33:20,682 44k INFO ====> Epoch: 74, cost xxx s
2023-02-08 18:33:40,887 44k INFO ====> Epoch: 75, cost xxx s
2023-02-08 18:34:01,460 44k INFO ====> Epoch: 76, cost xxx s
2023-02-08 18:34:21,798 44k INFO ====> Epoch: 77, cost xxx s
2023-02-08 18:34:41,866 44k INFO ====> Epoch: 78, cost xxx s
2023-02-08 18:34:54,712 44k INFO Train Epoch: 79 [57%]
# 示例2
2023-02-08 18:34:54,712 44k INFO [2.282658100128174, 2.5492446422576904, 10.027194023132324, 15.401838302612305, 1.598284363746643, 2200, 9.902967736366644e-05]
```
> **以下的解释我引用了B站up主inifnite_loop的解释，[相关视频](网页链接) [相关专栏](网页链接)**
>
> - 需要关注两个参数：Epoch和global_step
> Epoch表示迭代批次，每一批次可以看作一个迭代分组
> Global_step表示总体迭代次数
> - 两者的关系是global_step = 最多语音说话人的语音数 / batch_size * epoch
> batch_size是配置文件中的参数
> - **示例1:** 每一次迭代输出内 ```====> Epoch: 74``` 表示第74迭代批次完成
> - **示例2:** ```Global_step``` 每200次输出一次 （配置文件中的参数```log_interval```）
> - **示例3:** ```Global_step``` 每1000次(未改配置文件应该默认是800次)输出一次（配置文件中的参数```eval_interval```），会保存模型到新的文件
### - 保存的训练模型
> 以上，我们谈论到了每1000次(未改配置文件应该默认是800次)迭代才会保存一次模型样本，那么，这些样本保存在哪里呢？如何处理这些样本呢？下面我将详细讲述。
- 训练模型保存位置：```.\logs\44k```
- 训练一定时间后打开这个路径，你会发现有很多文件：
```shell
D_0.pth
D_1000.pth
D_2000.pth
D_3000.pth
D_4000.pth
...
G_0.pth
G_1000.pth
G_2000.pth
G_3000.pth
G_4000.pth
...
```
## 4. 推理使用
> 按上述方法训练得到最后一次的G和D后，该如何使用这些模型呢？下面我将讲述具体的使用操作方法
### - 准备干声
- 准备一首歌的干声，干声可以靠软件提取，我这边推荐的是Ultimate Vocal Remover，该软件开源并且可以在Github上下载到。[下载地址](https://github.com/Anjok07/ultimatevocalremovergui)
- 用音频处理软件（如Au，Studio One等）将这个干声分成若干段**不超过40秒**的片段并且一一保存
- 你也可以使用 **音频自动切片软件** [Audio Slicer](https://github.com/openvpi/audio-slicer)
- 将你处理好的干声片段放入```.\raw```文件夹
### - 修改推理代码
- 打开```inference_main.py```，修改第```25-46```行，具体修改内容如下（其实注释很清楚，我照搬了）
```shell
# 一定要设置的部分
parser.add_argument('-m', '--model_path', type=str, default="logs/44k/G_4800.pth", help='模型路径')
parser.add_argument('-c', '--config_path', type=str, default="configs/config.json", help='配置文件路径')
parser.add_argument('-cl', '--clip', type=float, default=0, help='音频自动切片，0为不切片，单位为秒/s')
parser.add_argument('-n', '--clean_names', type=str, nargs='+', default=["vocals (1)","vocals (2)","vocals (3)","vocals (4)","vocals (5)","vocals (6)","vocals (7)","vocals (8)"], help='wav文件名列表，放在raw文件夹下')
parser.add_argument('-t', '--trans', type=int, nargs='+', default=[0], help='音高调整，支持正负（半音）')
parser.add_argument('-s', '--spk_list', type=str, nargs='+', default=['Hanser'], help='合成目标说话人名称')
# 可选项部分
parser.add_argument('-a', '--auto_predict_f0', action='store_true', default=False,
help='语音转换自动预测音高，转换歌声时不要打开这个会严重跑调')
parser.add_argument('-cm', '--cluster_model_path', type=str, default="logs/44k/kmeans_10000.pt", help='聚类模型路径，如果没有训练聚类则随便填')
parser.add_argument('-cr', '--cluster_infer_ratio', type=float, default=0, help='聚类方案占比，范围0-1，若没有训练聚类模型则填0即可')
parser.add_argument('-lg', '--linear_gradient', type=float, default=0, help='两段音频切片的交叉淡入长度，如果自动切片后出现人声不连贯可调整该数值，如果连贯建议采用默认值0，单位为秒/s')
# 不用动的部分
parser.add_argument('-sd', '--slice_db', type=int, default=-40, help='默认-40，嘈杂的音频可以-30，干声保留呼吸可以-50')
parser.add_argument('-d', '--device', type=str, default=None, help='推理设备，None则为自动选择cpu和gpu')
parser.add_argument('-ns', '--noice_scale', type=float, default=0.4, help='噪音级别，会影响咬字和音质，较为玄学')
parser.add_argument('-p', '--pad_seconds', type=float, default=0.5, help='推理音频pad秒数，由于未知原因开头结尾会有异响，pad一小段静音段后就不会出现')
parser.add_argument('-wf', '--wav_format', type=str, default='wav', help='音频输出格式')
parser.add_argument('-lgr', '--linear_gradient_retain', type=float, default=0.75, help='自动音频切片后，需要舍弃每段切片的头尾。该参数设置交叉长度保留的比例，范围0-1,左开右闭')
```
- 支持命令行
```shell
# 例
python inference_main.py -m "logs/44k/G_30400.pth" -c "configs/config.json" -n "君の知らない物語-src.wav" -t 0 -s "nen"
```
必填项部分
- `-m` | `--model_path`：模型路径
- `-c` | `--config_path`：配置文件路径
- `-n` | `--clean_names`：wav 文件名列表，放在 raw 文件夹下
- `-t` | `--trans`：音高调整，支持正负（半音）
- `-s` | `--spk_list`：合成目标说话人名称
- `-cl` | `--clip`：音频强制切片，默认0为自动切片，单位为秒/s
可选项部分：部分具体见下一节
- `-lg` | `--linear_gradient`：两段音频切片的交叉淡入长度，如果强制切片后出现人声不连贯可调整该数值，如果连贯建议采用默认值0，单位为秒
- `-fmp` | `--f0_mean_pooling`：是否对F0使用均值滤波器(池化)，对部分哑音有改善。注意，启动该选项会导致推理速度下降，默认关闭
- `-a` | `--auto_predict_f0`：语音转换自动预测音高，转换歌声时不要打开这个会严重跑调
- `-cm` | `--cluster_model_path`：聚类模型路径，如果没有训练聚类则随便填
- `-cr` | `--cluster_infer_ratio`：聚类方案占比，范围0-1，若没有训练聚类模型则默认0即可
### - 推理生成
- 修改完成后保存代码，在```so-vits-svc```文件夹内运行终端，执行下面命令开始推理生成
```shell
python .\inference_main.py
```
- 待黑窗口自动关闭后，推理生成完成。生成的音频文件在```.\results```文件夹下
- 如果听上去效果不好，就多训练模型。
### - 后期处理
- 将生成的干音和歌曲伴奏（也可以通过Ultimate Vocal Remover提取）导入音频处理软件&宿主软件（如Au，Studio One等）进行混音和母带处理，最终得到成品。
## 5. 感谢名单
> - **以下是对本文档的撰写有帮助的感谢名单：**
> so-vits-svc [官方源代码和帮助文档](https://github.com/svc-develop-team/so-vits-svc)
> B站up主inifnite_loop [3.0版本相关视频](网页链接) 以及 [3.0版本相关专栏](网页链接)
> 所有提供训练音频样本的人员
