seedvc-cover

一条命令，把一首歌换成某个角色的声音。 零样本，不用训练模型。

给 AI 用的翻唱插件。装进 DSH 之后，说一句「用这个把这首歌唱成 XX 的声音」就行。

---

它是干什么的

你手上有一段角色的干净音频，和一首想让她唱的歌。

一首歌 + 30 秒参考 → 一条命令 → 她唱完了

中间要做的事——分离人声、定变调、换嗓、伴奏跟调、混音、归一——它全做了，每一步带验收。

bash scripts/cover.sh --song 歌.mp3 --out 成品.mp3

不给 --ref 就用插件自带的参考音色，装上就能听到东西。

换成你自己的角色：

bash scripts/cover.sh --ref 你的参考30秒.wav --song 你的歌.mp3 --out 成品.mp3

为什么是 Seed-VC

因为这活最贵的一步是「拿到这个角色的模型」。

RVC 要训几个小时，几百条素材，还得调参数。Seed-VC 不要：30 秒素材丢进去就能唱。对一个第一次上手的账号，前者几乎等于做不到。

代价是精细度不如训好的模型。但对「先跑通」来说，这个代价值得付。

跑起来要什么

项	最低
显卡	NVIDIA，12 GB 显存（卡在分离那步，实测峰值 8.9 GB）
内存	16 GB
硬盘	25 GB 空闲
Python	3.10+
ffmpeg	近期任意版本

分步实测：分离 8.9 GB、Seed-VC 3.1 GB、混音纯 CPU。

8 GB 卡跑不了分离，但可以手工分好后用 --no-sep；没有显卡也能出活，加 --device cpu，慢，但能出。

依赖的引擎（Seed-VC / RVC / pymss）需要你自己装，地址在 SKILL.md 里。这个仓库只包含我们自己的脚本和一份参考音频。

它不替你做的判断

参考音频决定这台上限。脚本能自动搜、切、拼，但看不出三件事：

• 这段是不是同一个角色（多角色视频里混着别人的声音）
• 有没有 BGM 底噪
• 语气会不会太极端（生日语音里的辱骂、战斗喊叫，拿来当参考，唱出来那首歌就带火气）

垃圾进去，垃圾出来，这条在哪都一样。

它给的是尺子，不是答案

--shift、--steps、--cfg、--vocal-db 这些参数，说明书里都写了「为什么是这个值」和「怎么判断改对没改对」。

觉得哪个没道理，改就是了。改完把理由写在旁边——下一个用的人会看到。

仓库里有什么

SKILL.md         说明书（判断体系、参数怎么定、踩过的坑）
INTRO.md         一段给人看的介绍
scripts/
├── cover.sh     一键：分离→定调→换嗓→伴奏跟调→混音→出片
├── pitch_match.py  量两边基频，算变调
├── mix_two.py      按 active RMS 对齐电平
├── audio_info.py   量时长
├── find_ref.py     没有素材时自动找参考（兜底）
└── make_mv.py      给一堆图片 + 一段音频，剪成片子（素材自备）
assets/
└── ref_default.wav 自带的参考音色样例
LICENSE          MIT
THIRD_PARTY.md   依赖的第三方项目与许可证

许可证

MIT。依赖的第三方项目（Seed-VC 是 GPL-3.0、RVC 和 pymss 是 MIT）见 THIRD_PARTY.md。 本仓库不含任何第三方代码或模型权重。

---

分数只能告诉你像不像。好不好听，它量不出来。自己戴一遍耳机。