跨语种音色复刻

项目简介

这是 AI VTuber「千尋かえで」 的联动项目，专门解决她的「嗓子」问题。

主项目用 GPT-SoVITS 做语音合成，但中意的音色只有日语素材，直接拿去合成中文会带一股挥之不去的「日语腔」（俗称「大佐味」）。这个子项目就是把这股味儿去掉，顺便沉淀出一套可复用的音色转换工具。

要解决的问题

RVC / GPT-SoVITS 这类跨语种合成，拿日语参考去念中文，发音会被「拉」向最接近的日语音，于是中文听起来总差一口气。直接换成中文素材重训是最干净的办法，但手上没有这个音色的中文录音——音色本身就是个日语模型。

解决思路：反向造数据

既然缺的是「这个音色说的中文」，那就用模型自己造出来，把跨语种难题转成母语内微调：

 母语中文文本
      │  edge-tts（标准中文发音）
      ▼
 干净的中文源音频
      │  RVC（授权日语音色模型 · index≈0.3 · rmvpe）
      ▼
 「目标音色说的中文」音频  ──►  GPT-SoVITS 微调  ──►  千寻的中文音色（母语内生成，无日语腔）

关键点：RVC 保留源音频的母语中文韵律、只替换音色；再拿这批音频微调 GPT-SoVITS，模型从此是在中文里做中文生成，跨语种口音自然消失。index rate 压到 0.3 左右，在「像目标音色」和「不带回日语味」之间取平衡。

离线音色转换工具

搭管线的过程中，把音色转换这块单独打包成了一个自包含的离线小工具，谁拿到都能用：

• 双击 exe 打开图形界面，选一个文件或整个文件夹
• 视频：自动抽出音频 → 人声音色转换 → 合并回视频（画面不重编码，快且无损）
• 音频：直接音色转换后输出
• GPU 自动加速，没有 N 卡时自动降级 CPU；整包绿色免安装，拷到别的 Windows 机器即用
• 音高、Index Rate、F0 算法都在界面上可调

技术栈

正在做的事

• RVC v2 推理环境，离线音色转换跑通
• 跨语种造数据方案验证（测试模型 → 授权音色）
• 离线音视频音色转换工具打包（双击即用、可拷贝分发）
• 扩写音素均衡的中文语料，批量产出训练集
• 用该数据集微调 GPT-SoVITS，接回主项目
• 对比微调前后，确认「日语腔」消除效果

内置音色为商用授权模型，使用与分发均遵循其授权条款。之后会补上微调前后的对比音频。