so

最近在玩sovits，试着训练了一下自己的音色模型。摸索出来一点点经验，记录在这里，也分享给大家。

先来一波成果展示。

我第一次准备数据集的时候，是顶着上限 0db 录制的。心想借鉴摄影领域的向右曝光，这种录音质量应该是杠杠的。结果训练了一万步，两万步，还一直是电音。后来把声音控制在 -6db 以下，就能训练出比较像的结果了。

其中阈值需要注意一下，根据你自己的音频，看一下自己说话最小的声音对应的右边的电平，比如我的大概是 -30db，阈值设置得比这个稍小即可。

这个参数官方是默认关闭的。它的说明是只在IO性能很差的机器以及内存比数据集大很多的情况下使用。而我的硬盘是致钛 Ti7100 2TB，PCIe Gen4的盘，按道理IO不算太差。但是不打开这个选项的时候，600条数据，4090 每个 epoch（也就是每200步）竟然要花费 4 分钟左右。而且看到其功耗只有 50W，明显就是IO瓶颈了。想来也是，600多个小文件，反复从硬盘上执行4K读写，跟直接从内存里读取肯定是天壤之别。

这里设置为 true 之后，训练速度大概提升了十倍。

另外，这600条数据，本身wav大小约在2GB左右。所以你的空余内存大于wav训练数据的5倍即可启用这项设置。

我的经验是9000~11000步左右的模型比较合适。过低不太像，过高则过拟合充满电音。

值得注意的是，4090训练到这个程度大概只需要18分钟，B站有不少小伙伴分享的时间都是数小时，甚至整整一天一夜。大家不要被这些数据所误导。sovits的训练还是比较快的。

因为我收集训练数据的时候，处在一个非隐私环境，所以不好意思大声唱歌。所以生成出来的歌声也就适合低吟浅唱，遇到高音、副歌部分，生成的声音穿透力很不够。所以大家要想训练出唱歌好听的模型，打铁一定要自身硬。

可以看到原曲的vocal频谱图，能量均匀分布在高中低音。而生成的我的歌声，则只在低音部分有能量。这是我训练数据本身的泛音个数就不够足的原因。这会导致，把两个音轨叠在一起，哪怕把我的歌声设置更强的电平，听到的也几乎是原唱的声音。

成果展示里后半段就体现了这个问题。