教你实现「AI孙燕姿」AI翻唱实测案例

一夜之间，「AI孙燕姿」火遍全网。

B站上，AI孙燕姿翻唱的林俊杰「她说」、周董「爱在西元前」、赵雷「成都」等等，让一众网友深陷无法自拔。

「冷门歌手」孙燕姿新晋成为2023年度热门歌手，掀起许多人的追星狂欢。

网友表示，「听了一晚上AI孙燕姿，出不去了……」

这些翻唱歌曲，是由Eternity丨L、罗斯特_x等UP主通过开源项目自制后并上传。

（作者似乎特意在「半岛铁盒」中加入了一秒空白，凑成5分20秒）

UP主：Eternity丨L

除了AI孙燕姿，还有AI周杰伦，AI王心凌、AI林志炫…

可能许多人做梦也没有想到，2023年华语乐坛竟以这种形式复兴了。

「AI孙燕姿」在线营业

前段时间，一位TikTok网友用AI创作了一首「Heart on My Sleeve」很快蹿红网络，引来1000多万人围观。

听完这首歌的网友纷纷表示，太让我惊讶了，简直太疯狂！

这首歌正是用两位美国流行音乐人Drake和The Weeknd的声音创作而成。先通歌手声音训练AI，然后再用AI来创作。

在国内，B站上AI翻唱的华语乐坛歌曲也渐渐成为许多人关注的焦点，孙燕姿、王心凌、周杰伦等明星纷纷「复出」。

而最火的莫过于孙燕姿，凭借「天后音色」的称号，直接成为AI新宠儿。

UP主：罗斯特_x

有人还自制了AI孙燕姿粤语版《爱来的太迟》。

然而，对于AI音乐制作，在整个音乐行业并非是一个新事物了。只不过生成式AI的大火，让AI翻唱的门槛再次被拉低。

比如，年初，谷歌还曾推出了文本到音乐模型MusicLM，通过将音乐的生成过程视为分层的序列到序列建模任务，并以24 kHz的频率生成高保真的音乐。

对于许多歌迷来讲，AI翻唱一定程度上满足了自己的许多遐想。

还有一些歌迷，自己训练了已故经典老歌手的AI，包括阿桑、张国荣、姚贝娜、邓丽君等等。

这或许是一种数字永生，通过这样一种方式让久违的声音再次回到人们心里。

Midjourney出图逼真的超强能力，让人们惊呼画家要失业了。对于AI翻唱，难道歌手也要被去取代吗？

一位UP主@阿张Rayzhang用自己的音色训练出的AI唱Killer Queen后，瞬间感觉太恐怖了。

紧急录制一个视频后，并附上了「AI歌手会让翻唱区集体失业吗？我被AI版的我爆杀！」标题。

有网友称，自己就是AI第一批受害者画手，感觉什么职业也逃不掉。

有些人也表示，翻唱的有些地方一点也不像。

要知道，对于AI翻唱来讲，也需要丰富的特定艺术家音色训练数据，这样AI生成的作品才更加真实。

就目前的技术，虽然歌手的唱腔、技巧和风格等还不能完全模仿，但音色已经基本能完全复刻。

但是真正的大家是不能被取代。

AI翻唱火虽火，但由AI创作音乐的另一面，是迫在眉睫的版权问题。

AI创作的「Heart on My Sleeve」在TikTok上风靡一时后，完整版被上传到了Apple Music、Spotify、YouTube等平台上。

就此，美国歌手Drake对此在Ins表达了不满，「这是（压死骆驼的）最后一根稻草了」。目前，这首歌因为侵权问题已经下架。

《金融时报》称，拥有Taylor Swift、Bob Dylan等巨星版权的环球音乐集团，正敦促Spotify和苹果阻止AI工具从其艺术家的版权歌曲中抓取歌词和旋律。

但是有些艺术家却不吝啬自己的声音，马斯克前女友Grimes在网上表示，

「任何人都可以使用我的声音AI生成歌曲。」不过，还得再付50%的版权。

而这次大火的AI翻唱背后的原始项目「so-vits-svc」的作者，据称也是因为太多人滥用，而删除了项目。

SoVitsSvc：唱歌声音转换

项目地址：https://github.com/svc-develop-team/so-vits-svc

歌声转换模型使用SoftVC内容编码器来提取源音频语音特征，然后将向量直接送入VITS，而不是转换为基于文本的中间格式。因此，音高和音调都可以被保留下来。

此外，项目开发者还通过采用NSF HiFiGAN作为声码器（vocoder），从而解决了声音中断的问题。

特征输入改为Content Vec · 采样率统一使用44100Hz 

由于参数的改变，以及模型结构的精简，推理所需的GPU显存明显减少。 

增加选项1：vc模式的自动音高预测，这意味着在转换语音时不需要手动输入音高键，男声和女声的音高可以自动转换。但是，这种模式在转换歌曲时，会造成音高偏移。 

增加选项2：通过k-means聚类方案减少音色泄漏，使音色与目标音色更相似。 

增加选项3：增加NSF-HIFIGAN增强器，对一些训练集少的模型有一定的音质增强效果，但对训练好的模型有负面影响，所以默认关闭。

将G_0.pth和D_0.pth放在logs/44k目录下。

预处理

0. 音频切片

利用audio-slicer-GUI或audio-slicer-CLI工具，将原始音频切片至5秒-15秒。

长一点也没问题，但太长（比如30秒）可能会在训练甚至预处理时导致「torch.cuda.OutOfMemoryError」，俗称爆显存。

切片后，删除过长和过短的音频。

1. 重采样至44100Hz和单声道

python resample.py

2. 自动将数据集分成训练集和验证集，并生成配置文件

python preprocess_flist_config.py

3. 生成hubert和f0

python preprocess_hubert_f0.py

完成上述步骤后，dataset目录将包含预处理的数据，dataset_raw文件夹可以被删除。

现在，你可以修改生成的config.json中的一些参数——

keep_ckpts：在训练中保留最后的keep_ckpts模型。设置为0将保留所有模型，默认是3。

all_in_mem：将所有数据集加载到RAM中。当某些平台的磁盘IO太低，而系统内存比你的数据集大得多时，可以启用。

训练

python train.py -c configs/config.json -m 44k

推理

模型在需要使用「inference_main.py」。

举个例子：

python inference_main.py -m "logs/44k/G_30400.pth" -c "configs/config.json" -s "nen" -n "君の知らない物語-src.wav" -t 0

虽然原始项目组现已停止维护，但有不少网友都进行了fork并且也做了一些更新。

比如下面这个图形化界面：

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

AI「复活」

AI翻唱之外，许多网友此前曾做了类似的项目，比如「AI-Talk」让马斯克和乔布斯进行了穿越时空的对话。

视频中，AI不但模拟了他们的声音，还在一定程度上模拟了其对话思路，使得交流过程十分流畅。

AI让我们与逝者的对话成为可能。此前，B站UP主用AI还复活了老奶奶。

对于老奶奶的声音制作，直接把过去已有的音频上传，素材基本来自于过去的电话录音、录像视频或者微信语音。

并用音频编辑软件AU进行调整，调整的方向主要在降噪、人声增强等等。

然后将更加清晰的音频样本切割成若干秒的短句，方便进行标注。最后将处理好的音频打包放入语音合成系统中去。

利用语音合成系统，就可以尝试输入文本转语音了。

网友见证科技狠活

AI孙燕姿的歌，已经唱到许多网友的心坎。

最近沉迷AI「翻唱」，上至AI侃爷唱罚酒，下至苏小玎唱真相是真。但说句正经的，确实还是AI届顶流孙燕姿的翻唱最好听。

这几天沉迷B站的AI孙燕姿，刚刚听了一首《一场游戏一场梦》，太好听了，唱到心坎里

不少网友听过AI翻唱的歌曲后，感受到AI歌手的可怕之处：科技的力量真是让人细思极恐。

深深感受到了什么叫做科技的力量……

这就是AI生命，数字飞升！

还有网友对逝去歌手的怀念。

参考资料：

https://github.com/svc-develop-team/so-vits-svc

https://www.bilibili.com/video/BV1io4y1w73k/?vd_source=eecf800392d116d832e90ad1c9ae70f6