【技术讨论】使用vits技术制作JR发车音乐

" M- c3 B' ]- k起因：B站刷到了用Ai蚊子唱See you again的视频，正好我也用过这类Ai，又正好不会调音就想出来用Ai技术训练JR发车音乐，在理论上是可以这么做的。

9 p) F) d* `7 A2 V1 |$ o3 ]2 x首先，选择哪种开源的vits。纯Vtis只能生成文本，对与音频方面无帮助。SVC（So-vits）音频生成音频。GPT-VITS也是音频生成音频，但是目前只能用中文训练，由于输入是纯音乐，所以大概率是不行的。综上我们选择So-vits。
( [: `1 }7 s9 P) i8 hSVC和大部分模型一样使用Diffusion（扩散）的方式进行训练还有推理，大体方式：将例子音频加噪，用模型再一点点的去噪，生成出音频。

准备音频环节，使用RVC5将发车音乐的主旋律提取出来，避免其他乐器影响主旋律音色导致模型质量下降，同时Adobe Audition做后期处理时控制电平、处理混响，避免不必要的东西音响模型质量。
  K' d  |6 T+ P9 ^4 N- g+ f2 T训练步骤：
step0~1600 FP32 1e-5 控制ir值在30以下

step1600~3200 FP16 5e-4 模型基础已经打好，使用半精度加快训练进度，学习率降低补一点点缺失的内容，代价是ir率的上升

step3200~4000 FP32  1e-3 最后调大学习率巩固内容，同时调回单精度不让模型质量下降，ir率下降到23~28时见好就收

噪声公式及学习率相关

3 R3 l8 W$ R3 W5 ~: K  h

7 Z! ^5 L1 K/ l0 C


9 ^& ^. E% ?' E* c% m' s
4 E5 R+ w* p6 e
$ q3 |0 X3 F1 T) ]5 \

看着好厉害 期待成品！