AI孙燕姿（So-vits/RVC技术）

一句话简介

基于So-VITS-SVC与RVC开源技术的AI歌声转换工具，可通过少量音频样本训练出高仿真歌手音色模型，实现歌曲翻唱与声音替换。

网站介绍

AI孙燕姿并非一个独立网站，而是指基于So-VITS-SVC和RVC（Retrieval-Based Voice Conversion）两项开源语音转换技术所实现的AI歌声翻唱现象。该项目最早由国内音乐合成爱好者Rcell在GitHub上发起，通过深度学习模型提取目标歌手的音色特征，再将其应用于其他歌曲的人声替换，从而生成高度逼真的翻唱作品。2023年，"AI孙燕姿"翻唱视频在B站等平台迅速走红，引发全网关注。该技术面向对AI音频处理、歌声合成感兴趣的技术爱好者、音乐创作者及内容制作者，属于开源社区驱动的公益性技术项目。

核心功能/栏目

1. 音色模型训练：上传目标歌手的高质量干声素材，通过So-VITS-SVC或RVC训练出专属声学模型，还原目标音色特征。

2. 歌声转换推理：将任意歌曲的纯人声输入已训练好的模型，一键转换为目标歌手的音色，生成翻唱音频。

3. 人声伴奏分离：借助UVR5（Ultimate Vocal Remover）等配套工具，从原始歌曲中精准提取纯人声或纯伴奏。

4. 音频切片处理：使用Audio Slicer工具将长音频自动切割为适合训练的短片段，提升模型训练效率与精度。

5. WebUI可视化操作：项目提供图形化界面，用户无需编写代码即可完成数据预处理、模型训练与推理转换。

6. 聚类模型优化：支持额外训练聚类模型，减少音色泄漏，使合成结果更贴近目标歌手的真实声线。

推荐优势/特点

1. 开源免费：So-VITS-SVC与RVC均为GitHub上的开源项目，代码与工具完全免费，用户可自由下载、部署和使用。

2. 训练门槛低：RVC技术仅需3至10分钟的目标声音样本即可完成模型训练，普通PC即可运行，大幅降低了AI翻唱的技术与硬件门槛。

3. 音色还原度高：通过SoftVC内容编码器与VITS声码器架构，合成音频在音色、咬字、气息等方面与真人高度相似，部分作品可达到以假乱真的效果。

4. 配套工具完善：社区提供了包括UVR5人声分离、Audio Slicer音频切片、一键整合包在内的丰富辅助工具，新手也能快速上手。

5. 跨语言翻唱：训练好的模型可保留音高和音调，支持用不同语言进行歌曲翻唱，拓展了创作的可能性。

使用方法/入口指引

第一步：访问GitHub项目页面。So-VITS-SVC地址为 github.com/svc-develop-team/so-vits-svc，RVC地址为 github.com/RVC-Project/Retrieval-based-Voice-Conversion-WebUI，下载源码或社区提供的一键整合包。

第二步：准备训练数据。收集目标歌手100分钟以上的纯人声（干声）素材，使用UVR5去除伴奏和混响，再用Audio Slicer将音频切割为5至15秒的短片段。

第三步：配置环境并训练模型。安装PyTorch等依赖库，将处理好的数据放入指定目录，运行数据预处理脚本后启动模型训练。建议使用NVIDIA显卡且显存不低于8GB，训练步数建议20000步以上。

第四步：推理与输出。加载训练完成的模型，上传待转换歌曲的干声音频，点击音频转换即可生成目标音色的翻唱作品，最后可配合音频编辑软件添加伴奏和混响进行后期制作。

同类/相关网站推荐

1. So-VITS-SVC GitHub仓库（github.com/svc-develop-team/so-vits-svc）—— So-VITS-SVC项目官方代码页，提供完整源码、文档及版本更新记录。

2. RVC GitHub仓库（github.com/RVC-Project/Retrieval-based-Voice-Conversion-WebUI）—— RVC语音转换项目官方页面，支持更低门槛的歌声与语音转换。

3. UVR5 Ultimate Vocal Remover（github.com/Anjok07/ultimatevocalremovergui）—— 开源人声伴奏分离工具，AI翻唱流程中必备的数据预处理利器。

4. 哔哩哔哩AI翻唱专区（bilibili.com）—— 国内最大的AI翻唱作品分享平台，搜索"AI孙燕姿"可找到大量高质量翻唱视频及制作教程。

5. Audio Slicer（github.com/openvpi/audio-slicer）—— 开源音频自动切片工具，用于将长音频分割为适合模型训练的短片段。