[TOC]

前言：

Apr 23,2023更新：现在已经可以正常访问,项目已存档并停止维护:https://github.com/svc-develop-team/so-vits-svc

更新：目前无法正常访问Github原项目地址，据说因为有人用它跑政治敏感的东西所以作者删库跑路了=_=如果属实那么只能手动上传整合包到服务器，

体验了一把最近很火的so-vits-svc ，效果确实不错，但是训练模型对低配显卡很不友好，实测GTX 1650要跑一个效果还行的模型（36 epoch ,20K+ steps ）需要接近十个小时。于是考虑在云端部署，对比了几个知名GPU 租借平台，最终选了恒源云的英伟达V100 16G （恒源云打钱！）这配置用来跑sovits 是绰绰有余了，1.5元/小时的价格也比较亲民。如果选用GeForce系列的游戏卡应该能进一步压缩成本，而且效果并不会差太多。写这篇文章时已经换到了RTX 3060 12G ,0.54/小时太香了😀以下均以恒源云为例，其他平台大同小异，注意文件目录。

为什么不使用免费的Colab ：首先，由于众所周知的原因，大陆无法正常访问谷歌。其次，Colab 目前更改了服务策略，一段时间不使用将会收回资源，这对于需要长时间训练模型的程序来说是不可接受的。

如果你会魔法并且对于自己的网络施法工具有信心，可以试试在Colab 上部署： https://colab.research.google.com/github/svc-develop-team/so-vits-svc/blob/4.0/sovits4_for_colab.ipynb

关于该项目的本地化使用，睿站已经有很详细的保姆级教程了，参见 https://www.bilibili.com/video/BV1H24y187Ko 本文只是介绍云端部署时的主要流程、遇到的报错及解决办法。（一定要看！）

一般情况下GPU 服务器均为Linux 系统，需要Windows 图形界面的可以去腾讯和阿里这些平台看看。关于上述视频发布的整合包只适用于Windows 系统，要在Linux 上运行可以考虑使用Wine 。

准备工作

租借一张显卡，创建一个实例，然后在公共网盘处授权，以便后续下载数据集。进入JupyterLab ,选择terminal 终端。依次执行下列命令下载cli 工具：

1
2
3
4
5
6

#安装cli
curl -L https://download.gpushare.com/download/gpushare-cli-linux -o /usr/local/bin/gpushare-cli
chmod u+x /usr/local/bin/gpushare-cli

#验证是否安装成功
gpushare-cli version

如果服务器抽风下载很慢建议复制https 地址到浏览器手动下载然后上传到实例。或者直接释放，重开一台实例。

依次执行下列命令安装解压工具：

1
2

apt-get update
apt-get install p7zip-full -y

将处理好的数据集压缩并上传到网盘。

预处理

准备工作就绪，下面开始部署项目。注意切换到数据盘cd hy-tmp ,别把系统盘给干废了。先把项目扒到本地：

1

git clone https://github.com/svc-develop-team/so-vits-svc.git 

这时出现了第一个报错：

clone 出错，不用想，肯定是GFW 在作妖。~~GFW 你坏事做尽！~~如果是本地，我会直接改hosts 或者使用DevSideCar ，或者干脆开魔法全局加速，然而在Linux 上这些操作都比较繁琐，所以我会使用gitclone 代理：

1

git clone https://gitclone.com/github.com/svc-develop-team/so-vits-svc.git

这时应该很快就扒下来了。

1
2
3
4

#进入数据集目录
cd /hy-tmp/so-vits-svc/dataset_raw
#登陆网盘，注意用户名和密码是控制台的用户名密码
gpushare-cli login -u 你的用户名 -p 你的密码

以百度网盘为例

1
2

#展开网盘内容
gpushare-cli baidu ls

找到已经处理好的数据集

1
2

#下载数据集
gpushare-cli baidu down /网盘中数据集的路径 /hy-tmp/so-vits-svc/dataset_raw

使用7z命令解压：

1

7z x 数据集名称.zip -o/hy-tmp/so-vits-svc/dataset_raw

unzip 命令也是可以的，但是遇到大文件容易报错。

接下来安装运行库：

1
2

#回到上级目录
cd /hy-tmp/so-vits-svc

1
2

#安装运行库，后续如果提示缺少某模块那就单独pip安装一次，例如pip install librosa
pip install -r requirements.txt

待安装完成后依次运行下列命令开始预处理：

1
2
3
4
5
6

#重采样
python resample.py
#预处理配置
python preprocess_flist_config.py
#预处理hubert和f0
python preprocess_hubert_f0.py

此时出现第二次报错：

缺少checkpoint_best_legacy_500.pt 文件。文档中说这是一个预训练模型，我们可以wget 下载：

1

wget hubert/ http://obs.cstcloud.cn/share/obs/sankagenkeshi/checkpoint_best_legacy_500.pt -P /hy-tmp/so-vits-svc/hubert

下载完成后再次执行python preprocess_hubert_f0.py 。此时应该还有一次报错，但不影响运行，程序开始生成hubert 和f0 文件。

训练

生成完毕后就可以开始训练了。由于训练需要很长时间，建议使用tmux ，这样即使关闭了ssh 程序还能继续运行。

1

tmux new -s 会话名称

在新建的会话窗口执行训练命令：

1

python train.py -c configs/config.json -m 44k

出现train epoch 时表示开始训练了。

推理

训练到合适的步数就可以开始推理，参考官方文档：

1

python inference_main.py -m "logs/44k/G_30400.pth" -c "configs/config.json" -s "nen" -n "君の知らない物語-src.wav" -t 0

其中-m 是模型的路径，G 后面的数字代表训练步数；-c 是配置文件的路径；-s 是说话者的名字，也就是数据集文件夹的名称；

-n 是歌声片段，需手动上传至/raw 文件夹;-t 是移调，正负值均可，如-12 就是降低一个八度，7 就是升高一个纯五度。

（QAQ乐理有什么难的？.jpg）其他可选参数见官方文档：https://github.com/svc-develop-team/so-vits-svc#-inference

如果觉得推理这一步过于复杂可以参考前述视频的整合包，那个有图形界面，而且相比于推理，吃的配置稍微低一些，GTX 1650 可以跑个30 秒左右的音频。可以在云端训练然后把训练好的模型下载到本地进行推理。

至此云端部署过程结束。这是直接git clone 的项目，所以报错较少。如果头铁一定要在Linux 下运行适用于Windows 的整合包那么报错会非常多。

Q&A

Q：需要的环境和框架？

A：支持CUDA 的N 卡，Python 3.8 ，Pytorch 。

Q：如何查看显驱对应的CUDA版本？

A：Linux 使用nvcc -v ,Windows 使用nvidia-smi.exe ，注意CUDA版本大于等于11.7请下载11.7。

Q：看不懂的和CUDA有关的报错？

A：大概率爆显存了，改Batch Size （参考前述视频）

Q：CUDA版本不对？

A：安装这三个库（注意torch 、CUDA 以及系统版本，以CUDA11.7 、torch 1.13 、Windows 64 位为例）：①https://download.pytorch.org/whl/cu117/torch-1.13.0%2Bcu117-cp310-cp310-win_amd64.whl，②https://download.pytorch.org/whl/cu117/torchaudio-0.13.0%2Bcu117-cp310-cp310-win_amd64.whl ,③https://download.pytorch.org/whl/cu117/torchvision-0.14.0%2Bcu117-cp310-cp310-win_amd64.whl

由于众所周知的原因这几个包下载会很慢，有能力请使用魔法。下载完之后别忘了安装：

1 2 3

pip install .\torch-1.13.0+cu117-cp310-cp310-win_amd64.whl pip install .\torchaudio-0.13.0+cu117-cp310-cp310-win_amd64.whl pip install .\torchvision-0.14.0+cu117-cp310-cp310-win_amd64.whl

Q：为什么运行不了整合包里的批处理？

A：那个是为Windows 写的，而你使用的是Linux 服务器。

1 2 3 4 5 6 7 8

#安装Wine apt-get install wine #在Wine 中运行批处理 Wine /hy-tmp/so-vits-svc/批处理名称.bat #如果上一条命令无效请在Wine 中运行命令行，在命令行中运行批处理 Wine cmd cd /hy-tmp/so-vits-svc 批处理名称.bat

Q:明明是N 卡，但是还是提示不支持CPU 训练是怎么回事？

A:驱动或者CUDA 版本不对，无法识别。

其他报错请移步前述视频评论区。