事情的起因，是我刷到一条 AI 孙燕姿翻唱。

明明是周杰伦的歌，一开口却是孙燕姿的声线，气息和咬字居然也像那么回事。我当时脑子里的流程非常朴素：把人声和 BGM 分开，再把人声变成另一个人，不就完了？

于是目标也很快定了——让林俊杰唱《剑来》的主题曲《知我》。

下一秒我才想到一个很基础的问题：林俊杰的声音从哪来？

它到底是在“换”什么

这东西没我想的那么玄，但也不是给音频套一层“林俊杰滤镜”。RVC 不负责重新唱歌，它更像一个音色转换器：先拿到已经唱好的干声，保留旋律、节奏和大部分换气，再替换“谁在唱”这件事。

拿《知我》举例，原唱怎么唱，旋律、节奏、换气大体就怎么保留。模型要做的，是把“谁在唱”这件事换掉：原来是原唱的声线，换成目标歌手的声线。最后再把处理后的人声和伴奏合在一起，才是一首完整的歌。

所以原曲得先拆成“人声”和“伴奏”。整首歌直接送进去，鼓、贝斯和混响也会被卷进转换，最后很容易变成一锅带着金属味的粥。所谓干声，简单说就是尽量只留下人声的那条轨道。

歌和素材找齐了，模型没有

《知我》的原唱和伴奏，在 B 站都有，无损音源也让我翻出来了。训练素材我选了《修炼爱情》《关键词》《交换余生》《她说》，四首无损单曲，加起来 18 分钟。

到这里我还挺乐观。歌找齐、拆轨、整理素材，前后两个小时，进度条看起来已经走了一半。后来才知道，这一半主要是心理作用。

我先搜 GitHub 和 Hugging Face，又去模型站看，最后连 B 站那几个号称几百款音色的合集也翻了一遍。结果很干脆：在我能找到的公开来源里，林俊杰模型是 0 条。

一开始我还以为是自己搜法不对，换了几个地方以后才发现，这不是关键词的问题。真人歌手的音色模型被清理得差不多了，跟孙燕姿遇到的情况一样。模型文件本身不难理解，难的是你得先拿到一个能用的模型文件。

所以只剩自己训练这一条路。

看到 RVC 能从十几分钟素材里学音色时，我甚至还有点兴奋：这么牛？四首歌就能炼出一个模型？于是我选了本地训练。这个决定按下去的时候很轻，后面那个“预计十五小时”倒是很重。

网上那些“几分钟做一首 AI 翻唱”的教程，大多默认音色模型已经准备好了。我偏偏缺的就是这个，只能从训练开始。

十五个小时

我把“训练模型”和“使用模型”误当成了同一步。训练是在让机器从一批干净人声里学音色；拿现成模型处理一首歌，只是后面那段轻得多的工作。视频里几分钟出结果，往往是把最慢的上半段藏到镜头外了。

而我没有现成模型，只能从训练开始。

RVC 训练更适合显卡，我没有，只能让 Apple M5 的 CPU 硬扛。安静的电脑很快有了存在感。

每轮训练 5 到 6 分钟，一共 150 轮。我拿计算器一按：十五个小时。

我先怀疑自己算错了。再算一遍，还是十五个小时。很好，本地训练没有骗我，它只是非常诚实。

看着进度条，我就放弃了

我等了半小时，只跑完几轮。流程没错，素材也能用，日志甚至一片正常。唯一的问题是：它打算正常地跑到明天。

看到“预计 15 小时”，我终于承认路线选错了。我还没喜欢这首翻唱到愿意让电脑替它上一整夜班。停进程，删东西——Python 环境、RVC、训练数据、分离好的音频，加起来八个多 G，全删了。

有意思的是，删完东西风扇还在转。查了一下，是系统在后台重建索引，毕竟我刚删了八个 G 的文件。得，连放弃都要付利息。

回头看，RVC 和素材都没出问题。问题出在“本地还是云端”这个岔路口，我选了最有节目效果的一边。

云端方案后来也查清楚了：AutoDL 上的入门显卡按小时租，成本大致就是几块钱。具体多久还要看显卡和参数，但问题至少会从“电脑要不要转一整晚”，变成“愿不愿意花几块钱”。素材反正都能重新准备，下次再研究，我会直接上云。

真人音色模型还牵涉版权和本人意愿。找不到林俊杰的模型不完全是坏事，至少没有让我顺手拿一个来路不明的文件去发布。真要继续，我会先用自己的声音把流程跑通。

这次没有成品，连推理都没走到。流程倒是看明白了。下次再玩，先租显卡。