AI孙燕姿爆火背后：语音转换技术so-vits-svc

AIGC的风最近终于吹到了语音生成领域。上面视频中"孙燕姿"翻唱周杰伦的《七里香》，该歌是AI歌唱，并非孙燕姿本人。背后核心技术来自声音转换，voice convertion，而不是之前我们讲过的声音克隆，voice clone。

语音转换

语音转换，voice convertion，简称VC。简单来说，就是把一个人的声音转换成另一个人的声音，保留说话或者歌唱的内容。可见模型的输入是音频，而不像TTS任务，输入为文本。一般VC任务都包含以下三个模块，从音频中提取信息的content encoder，常用特征PPG，现在也有自监督模型去提特征如Hubert；第二个模型是声学模型，这层主要是将音频的特征信息，进一步编码成声学特征，比如mel特征；第三个模块，声码器将声学特征上采样成音频。

 基于hubert和vits的声音转换so-vits-svc

下面介绍AI孙燕姿背后的核心技术，so-vits-svc全称SoftVC VITS Singing Voice Conversion。该技术是一个声音爱好者基于softVC和vits修改而来。核心的改动是将以前的PPG换成了hubert的soft编码，然后将该信息送到了vits中。该soft hubert编码，能够很好的去除发音人信息，而保留内容信息。本质是网络的某一层的输出，但是在训练时增加了一些约束，以削弱发音人信息。下图中红线框出的就是soft content编码。

vits是TTS中一个非常重要的一个模型，该模型将声学模型和vocoder绑定到一个训练框架中，不再需要训练多次。VITS采用了FLOW引入幅度谱作为后验信息，采用MAS自动对齐出音素时长。模型的训练目标是希望从文本中直接学习出隐变量z的分布。推理时flow模型是可逆的。直接就从文本合成wav，推理是不需要posterior encoder。

 

在so-vits-svc中，vits中的音素变成了hubert特征。由于hubert编码长度跟声学特征长度是有固定的比例关系，因此不需要时长模型，也不需要MAS；VC中任务模型变得更加简单。当然，由于歌曲的f0，相比于人声的f0，在频谱上持续时间更长，更难建模，因此作者将f0显式的引入到了vits中。

定制流程

定制一个AI孙燕姿，github有教程，且写出了GUI，更加方便操作。大概讲下流程，

1. 获取孙燕姿的歌曲，大概1小时左右。通过人声分析程序，将伴奏和背景去除，只保留清唱的音频（干音）；
2. 特征预处理，提取f0和hubert特征，以及幅度谱spec；
3. 加载base模型，finetune上述的特征以及音频wav，获得最终的推理模型；
4. 推理时，也需要输入音频，比如用周杰伦的《七里香》，先进行人声分离，获取干音，作为输入，送入VC模型中，获得孙燕姿演唱的《七里香》清唱音频，最后将伴奏与清唱音频进行混合，得到一首AI翻唱歌曲。

https://github.com/voicepaw/so-vits-svc-fork

请关注 vx 公众号

站在风口浪尖