《演员》→ 周若琳音色 ｜ 制作说明

生成时间：2026-10-11 21:26
音源：演员 - 薛之谦.mp3
规格：320 kbps / 44.1 kHz / 立体声 / 04:21.28

一、按你的三条要求执行

① 去掉歌曲原本声音（人声/伴奏分离）

• 模型：Demucs htdemucs_ft（fine-tuned，4 个模型集成）

• 命令：python -m demucs -n htdemucs_ft --two-stems=vocals

• 产出：vocals.wav（人声干声）＋ no_vocals.wav（伴奏）

• 质量验证：vocals + no_vocals 重构残差 −31.9 dB，原曲本身 −12.9 dB
  → 残差比原曲低 19 dB，等于 "拆开再拼回去" 几乎无损，没有丢内容。

• 伴奏从此冻结：后续混音中单位增益、无滤波、无变调、无压缩。

② AI 全程唱，只换音色，与原唱 1:1

• 模型：Seed-VC（零样本歌声转换，44.1 kHz，DiT + Whisper + BigVGAN）

• 关键参数（这是"1:1 复刻"的核心）：

  参数	值	作用
  --f0-condition	True	歌声模式，以源音频的基频轨迹为条件
  --auto-f0-adjust	False	关闭自动音高调整（开了会与伴奏调性不一致）
  --semi-tone-shift	0	不移调
  --length-adjust	1.0	时长不变 → 换气点、断句位置不变
  --diffusion-steps	80	高采样步数，减少电音毛刺
  --inference-cfg-rate	1.0	更强向目标音色靠拢

• AI 唱满全程：伴奏轨里不含任何原唱残留，人声部分 100% 由转换结果提供。

③ 混音合并

• 人声电平按原曲实唱段（帧功率 90 分位）对齐，重建原曲的人声/伴奏平衡；

• 伴奏单位增益、零处理；

• 峰值保护：只对越限采样（r5 版约 0.79%）做前瞻限幅。

二、参考音频筛选（两版对比）

用留一法（leave-one-out）评估——即不用"拿哪段参考转的就拿哪段打分"，避免循环论证。

为什么选 r5：音色相似度更高（+11%），带宽更接近源，且对 4 段参考的相似度更均匀
（0.419 / 0.227 / 0.433 / 0.430）——说明它不是碰巧像某一段，而是稳定地像这个人。

三、情感保真度（"带情感"的客观证据）

结论：AI 的渐强渐弱、呼吸起伏、乐句呼吸点都跟着原唱走。
情感不是"叠加"上去的效果，而是原样保留——因为音高轨迹锁定后，颤音、滑音、气声、哭腔
会随基频一起搬过来。混音阶段不加压缩、不做动态处理，就是为了不把表情压平。

注：AI 人声的波峰因数比原唱低约 4.6 dB（峰值 −5.74 vs −1.18 dBFS）。
这来自声码器对瞬态的平滑，是波形层面的差异，不是动态被压缩——
上表的包络相关 0.885 已经证明动态轨迹是跟着原唱走的。

四、文件清单

时长均为 04:21.25，320 kbps / 44.1 kHz / 立体声，削波样本 0。

五、成本

全程 ¥0。分离、转换、混音全部在本机 RTX 3070 上完成，
未调用任何付费云接口（上一句语音走的腾讯云 TRTC TTS 是按字符计费的，本次一句未用）。

六、还可以再进一步

当前是零样本转换（未微调）。若音色相似度仍不满意，可以再走一步：

用周若琳本人的录音微调 Seed-VC（官方支持，门槛极低：每位说话人 ≥1 条语音即可）。
素材已备好：voice-convert/ft_dataset/（13 段 / 106.5 秒）。

需注意：现有素材里 2/3 是"诗词朗诵"录音（带朗读腔），只有约 24 秒是自然说话。
如果能再录 1–2 分钟的自然聊天或跟唱（安静环境、手机贴近嘴），微调效果会明显更好——
跟唱样本尤其有价值，因为那才是"唱歌"的发音方式。