注：So-VITS-SVC 4.1的使用教程推荐：So-VITS-SVC 4.1 整合包完全指南 (yuque.com)【含整合包下载链接】，本文章仅仅总结博主在使用So-VITS-SVC 4.1时所遇到的问题以及使用UVR时的经验。

目录

注：So-VITS-SVC 4.1的使用教程推荐：So-VITS-SVC 4.1 整合包完全指南 (yuque.com)【含整合包下载链接】，本文章仅仅总结博主在使用So-VITS-SVC 4.1时所遇到的问题以及使用UVR时的经验。

一.下载sovit4.1本体

二.训练模型

2.1准备数据集

2.1.1切片处理

2.1.2去除伴奏，和音，混响等

2.2开始训练

三.开始推理

3.1开始调节设置和参数

3.2音频转换

3.3文本转语音

四.UVR去除伴奏，和声，混响

五.总结

一.下载sovit4.1本体

按照所给的链接中下载文件（ 这是https://www.yuque.com/umoubuton/ueupp5链接中含有的下载，为了方便起见，放在这里，详情请访问该网址）

在进入文件后找到红框中的文件，双击进入

sovit4.1整合包界面如图（该整合包来自于b站大佬羽毛布団，感谢大佬）：

二.训练模型

2.1准备数据集

首先我们要找到我们想要的角色的音频，然和将其整理为数据集，在这里，我们以崩铁的角色白露作为例子，我们从网上找到白露的语音整合（该整合中的语音最好不要有任何的伴奏，混响，和声，否则训练出来的语音会很抽象），然后打开sovit4，开始进行切片处理：

2.1.1切片处理

检查你所得到的音频，如果它们的长度在2-15s，那么你可以不用进行该操作，反之，你应该如下图操作，开始切片：

首先我们打开sovit，选择最上方的”小工具/实验室特性“，再选择其中的”只能音频切片“，在”原始音频文件夹“中输入你所得到的音频所在的文件夹的绝对路径，最后点击加载“原始音频”

结果如下图所示，切片的最长秒数和切片的最短秒数如图即可，点击”开始切片“，得到符合要求的数据集

看到输出信息中的文字，就说明切片成功了

切片后的音频文件就在在原来的未处理的音频所在的文件里（即下图的output里）

将我们得到的output文件剪切到sovit的dataset_raw文件里

切片准备就到此为止了。

2.1.2去除伴奏，和音，混响等

2.2开始训练

打开sovit，点击训练，点击识别数据集，会出现我们保存在dataset_raw的文件夹名称，

注意：保存在dataset_raw的所有音频文件必须是英文名称！！！

其他的参数按默认即可（即图中的参数），我们点击数据预处理，这会花费你不少时间

会出现该信息，等待该处理结束

填写训练设置和超参数的详解（仅供参考）

按照上图框起来的部分：

1.每隔多少步（steps）生成一次评估日志：每训练x步，生成一次评估日志；对于该设置没有明确的填写要求，不影响生成的结果，但是为了观察训练的状况，建议填200。

2.每隔多少步（steps）验证并保存一次模型：每训练x步，保存此时训练出来的模型；600（建议），800（建议），1000都是可以的

3.仅保留最新的x个模型：这个设置就是字面意思，仅仅保留最新保存的x个模型；为了我们电脑的内存着想，不建议填0，因为训练时可能会保存很多的模型，这些模型每个都占有不小的内存。

4.批量大小：每步取x条数据进行训练，这个数据理论上讲越多越好，但是考虑到电脑的性能，我们**建议6G显存填4，**我这里是8G显存，填的6（仅作参考）。

5.学习率：建议保持默认数值（0.0001），学习率的概念：**学习率(Learning rate)**作为监督学习以及深度学习中重要的超参，其决定着目标函数能否收敛到局部最小值以及何时收敛到最小值。合适的学习率能够使目标函数在合适的时间内收敛到局部最小值。

6.请确认说话人列表为你所选择的数据集

7.由于我们这里并不训练扩散模型，所以扩散模型配置所在的参数不用管它，保持默认即可，我们可以先点击”将当前设置保存为默认设置“，这样想一次我们训练时可以不用重复的调参数；

点击”写入配置文件“,

在输出信息一栏会显示”配置文件写入完成“，然后后点击从头开始训练

在训练2个小时以后，我挑选出

如图：我们大抵只需要关注两个参数：

1.step：即训练的步数，一般1w——2w步可以得到比较好的效果

2.reference_loss：这个值一般越小越好，且该值并不是单调的，它是震荡的，一会高一会低是正常的

那么我们训练的模型在哪里呢？

我们打开so-vits-svc目录下的logs，然后进入logs，最后进入文件44k，就可以看到我们的模型了

三.开始推理

3.1开始调节设置和参数

进入推理界面，在“模型选择”中选择reference_los比较低的模型，其格式为：G_xxxx.pth，再在配置文件选择config.json

然后选择“加载模型”，在Output Message中会出现相关的信息，如图：

3.2音频转换

我们选择上传单个音频上传：

注：该音频不能有伴奏，和声，混音！！！关于如何去除这些内容，可以翻阅到该博文第四部分进行操作

参照如图的参数（如果你使用的是整合包，它们是默认的，不用修改）然后点击”音频转换“

等待完成：

我们会得到如下的结果：

3.3文本转语音

我们复制一段我们想要的文本(该段文字节选于北京邮电大学概况)：

调节相应的设置和参数，如下图所示：

因为我选用的角色是游戏角色白露，所以选择女，其他参数保持默认，

注：使用文本转语音时，开启自动f0预测！！！

这是效果：

sovit4.1——结果示例

四.UVR去除伴奏，和声，混响

参照以下六张图（注：这些用心的教程图来自于B站的一位up主，但是因为时间太久了，忘记了是哪位up主，大家如果有知道的可以提醒我一下，我会在这里进行标明并放上其主页的链接）

五.总结

大家通过一系列的操作，应该多多少少明白了sovit4.1的一些基本步骤，当然，训练一个自己喜欢的声音需要花费很大量的时间，不过为了自己喜欢的角色，就算等待一会也是完全值得的！！！

因为这篇博客只是介绍了最基本的流程，训练出来的结果可能不会太让你满意，这个时候你就需要对你的成果进行调整，就像示例中白露的文本转音频的成果，会出现吐字不清淅，哑音等等问题。而关于如何润色推理出来的音频，如何应对哑音等等问题，就留给大家自己去慢慢探索啦。