【技术讨论】使用vits技术制作JR发车音乐

2 b) R$ N# n: y
) u5 P$ C3 q6 u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 p2 S  |4 ?( l) N2 P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。
( S* `; j/ P. L! C( F" sSVC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。
( f; C7 @( ]! o: O9 l  @$ [
- G6 U9 k* v8 L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。
- g  W" z& M) N/ Z+ V$ v, W% p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

* g! t/ W) r2 l' L2 g

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

  b. D6 N! b" n

  d* u9 |- u# x: J

! p9 ^; X2 W! v. z4 a! b

看着好厉害 期待成品！