So-VITS-SVC

So-VITS-SVC 是一个歌声转换（SVC）的研究框架：它采用现有的声乐表演，并用经过训练的目标音色呈现其语言内容和旋律。它不是文本转语音，不附带语音模型，也不能合法或合乎道德地提供对表演者身份、源歌曲或训练录音的权利。

原来的 svc-开发团队/so-vits-svc 存储库于 2023 年 11 月存档，并且是只读的。它的 4.1-Stable 分支仍然被广泛引用，但现在采用意味着固定旧的依赖项、验证第三方检查点并承担维护的全部责任。自述文件描述了学术用途，强调虚构人物意图，要求用户解决数据集授权问题并设置其他发布/披露条款。使用前请先阅读存储库的确切自述文件和许可证。

SVC 不是 TTS、声码器或源分离

完整的管道和工件进入的位置

 同意的目标录音
          |
          v
 清理 -> 分段 -> 重新采样 -> 内容特征 + F0
          |                           |
          '------------培训------'
                         |
                         v
                 目标语音模型
                         |
 源声乐 -> F0/内容提取 -> 生成器 -> 可选扩散
                         |                    |
                         '------ 渲染 ------'
                                      |
                              真人音频 + 权利 QA

内容编码器尝试在抑制源身份的同时表示语音信息。 F0 携带音调；生成器和声码器以目标音色重建音频。不完美的解开会造成“音色泄漏”，源歌手仍然可以听到。不良的分离会在训练数据中添加乐器和混响；不一致的音高提取会产生八度跳跃；削波和不匹配的采样率成为金属伪影。

任何下载或培训之前的权限门

从技术上讲，公共记录并不自动成为合法的训练数据集。从可识别的配音者和权利持有者那里获得有关预期培训、模型存储、合作者、区域、商业状态和输出分发的书面许可。单独许可已发行翻唱中使用的作曲、歌词、主唱/源声乐和背景音轨。

请勿以他人可识别的声音制造欺骗性冒充、欺诈、骚扰、性内容或政治信息。对于虚构角色项目，请确认角色和原创表演权也已获得许可。如果撤回同意，请制定实用的模型删除和分发删除流程。

数据集设计：质量胜过不加区别的持续时间

使用来自同意目标的干净、干燥、隔离的录音。消除乐器出血、沉重的房间混响、双声、极端效果、削波、长时间静音和其他扬声器。保留与预期输出相匹配的表现力多样性（音高范围、元音、辅音、音域和动态），而不会盲目混合不兼容的录音链。

按连续的源会话或歌曲（而不是随机的相邻剪辑）分割，因此验证不包含训练中的近似重复项。保留一个永远不会用于调整的锁定测试集。维护清单，其中包含文件哈希、来源、同意记录、采样率、持续时间、预处理步骤、文字记录/歌词（如果有）以及排除原因。

版本和依赖现实

4.1-Stable README 将 Python 3.8.9 报告为经过测试的稳定版本，并且需要单独的预训练编码器/声码器资产。到 2026 年，这将是一个遗留环境。在隔离的容器或虚拟机中构建它，固定哈希值，扫描依赖项并拒绝不需要的网络访问。不要在全局范围内削弱现代工作站来满足旧的 CUDA 或 Python 软件包。

第三方 fork、notebook、GUI 和模型包是单独的项目。他们可能会更改代码、许可、遥测或默认下载。验证上游祖先、提交、安装程序内容和模型来源。切勿在包含机密的计算机上加载不受信任的 PyTorch 检查点：旧序列化格式可以在加载期间执行代码。

内容编码器、F0 和检索选择

4.1 记录了多个语音编码器，其中常见选择有 ContentVec 变体。编码器尺寸和配置必须与检查点匹配； 4.0 兼容性可能需要添加正确的 语音编码器 场。来自不同分支的模型和预处理资产不能普遍互换。

对于歌唱，使用强大的 F0 提取器保留源旋律并验证八度行为。自述文件警告说，自动 F0 预测可能会导致歌唱时音高发生大幅变化，因此通常不应在此处启用。特征检索或聚类可以减少源音色泄漏，有时可以改善清晰度，但高混合比可能会复制数据集伪影并减慢推理速度。将记录的 0.5 示例视为起点，而不是通用最优值。

不追求单一损失值的训练

从小型配置和可审核的基线开始。保存配置、种子、代码提交、依赖锁、GPU、预处理清单和检查点哈希。定期呈现相同的同意验证短语。训练损失可能会下降，而感知的自然性、可理解性或目标相似性会停滞或下降。

根据盲态验证和工件率停止，而不是社区推荐的步数。将训练和可发布的推理检查点分开。该存储库描述了模型压缩，该模型压缩删除了仅训练数据，并可以大大减少最终大小；如果授权继续训练，则仅将原始检查点保留在受控存储中。

评价：三个品质，不是一个“听起来不错”的分数

使用训练集之外的多个源歌手和歌曲。包括高音、低音、呼吸部分、快速歌词、颤音和静音。随机化样本并对评估者隐藏系统名称。报告置信区间和拒绝的输出，而不仅仅是最好的演示。

后期制作和披露

混音前检查转换后的人声独奏。仅修复局部伪影，调整预处理引入漂移的时间，控制齿音和呼吸，然后与合法获得的乐器混合。不要使用重效应来隐藏评估中的模型失败。

该项目的条款要求平台上传的输入源声音/音频的明确归属。超出该最低限度，将结果标记为人工智能语音转换，在同意时识别授权的语音/模型所有者，注明歌曲和源代码权利，并描述有意义的编辑。保留链接模型哈希、来源、设置、同意和最终主控的私人生产表。

安全和分发控制

• 存储通过基于角色的访问进行加密的训练数据和检查点。
• 发布校验和和模型卡；请勿分发原始训练剪辑。
• 通过合约和访问控制限制已发布模型的使用；仅凭文本许可证无法防止复制。
• 加载前在一次性、网络受限的环境中测试检查点。
• 定义针对假冒、泄露模型和撤回同意的事件响应。
• 将演示共享与下载权限分开；渲染的样本不需要暴露权重。

替代方案

常见问题

So-VITS-SVC 是否仍然保留？

原始存储库已存档且只读。分叉可能处于活动状态，但必须独立评估。

它会根据歌词生成歌声吗？

不。它会转换现有的声乐表演。歌唱合成和 TTS 是不同的任务。

它包括语音模型吗？

不会。官方项目规定用户独立训练模型；第三方包未得到上游贡献者的认可。

我可以根据名人的歌曲进行训练吗？

不仅仅是因为录音是公开的。获得适当的声音、表演、录音、作曲和使用权。

需要多少数据？

没有通用的分钟数。干净、有代表性、经过授权的报道和独立验证比不加区别地收集更重要。

为什么结果保留了源歌手？

内容表示不完善。更干净的数据、编码器选择和仔细调整的检索/聚类可能会减少泄漏，但不能保证删除。

下载的检查点安全吗？

不是自动的。验证来源和哈希值并仅在隔离环境中加载它，因为模型序列化可能会带来可执行风险。

主要来源

• 官方存档存储库
• 官方 4.1-Stable README、条款和工作流程
• 官方中文README
• 存储库许可证
• 官方配置模板
• 基于VITS的SVC和DSPGAN研究
• Whisper 和多尺度 F0 SVC 研究
• 语音间研究参考 So-VITS-SVC
• 美国版权局人工智能计划和最新报告

上次审核日期为 2026 年 7 月 25 日。这是一个存档研究项目，其中包含异常重要的自述文件术语。在进行任何实验或发布之前，请验证固定分支、依赖项、许可证和所有语音/音乐权限。