Windows 10/11下用Python 3.10和CUDA 11.7搭建so-vits-svc 3.0全流程指南

对于想要尝试AI歌声合成技术的开发者来说，环境配置往往是第一个拦路虎。本文将手把手带你完成从零开始的环境搭建，直到生成第一个AI歌声模型的全过程。不同于简单的教程罗列，我们会深入每个环节的技术细节和常见陷阱，确保你能一次性成功运行so-vits-svc 3.0。

1. 环境准备：避开版本兼容性陷阱

在开始之前，我们需要确保系统满足基本要求。Windows 10/11 64位系统、NVIDIA显卡（建议GTX 1060 6G以上）是必备条件。最关键的是处理好CUDA、PyTorch和Python版本的兼容性问题。

1.1 显卡驱动与CUDA版本匹配

首先检查你的显卡驱动支持的CUDA版本：

nvidia-smi

输出示例：

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 512.95       Driver Version: 512.95       CUDA Version: 11.6     |
|-------------------------------+----------------------+----------------------+

重要提示 ：即使驱动显示支持更高版本CUDA，也建议安装CUDA 11.7，因为PyTorch对其支持最稳定。从 NVIDIA官网 下载CUDA 11.7本地安装包：

• 操作系统：Windows
• 架构：x86_64
• 版本：10/11
• 安装类型：exe(local)

安装完成后验证：

nvcc -V

应显示类似输出：

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2022 NVIDIA Corporation
Built on Tue_May__3_19:00:59_Pacific_Daylight_Time_2022
Cuda compilation tools, release 11.7, V11.7.64

1.2 Python环境配置

推荐使用Python 3.10.6（最新补丁版本），可通过Miniconda创建独立环境：

conda create -n sovits python=3.10.6
conda activate sovits

配置国内镜像加速（可选）：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
pip config set global.trusted-host pypi.tuna.tsinghua.edu.cn

1.3 PyTorch精准安装

避免直接使用官网推荐命令，而是手动下载whl文件安装。前往 PyTorch官方whl仓库 下载：

• torch-1.13.0+cu117-cp310-cp310-win_amd64.whl
• torchaudio-0.13.0+cu117-cp310-cp310-win_amd64.whl
• torchvision-0.14.0+cu117-cp310-cp310-win_amd64.whl

安装命令：

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

验证安装：

import torch
print(torch.__version__)  # 应输出1.13.0+cu117
print(torch.cuda.is_available())  # 必须返回True

2. 项目部署与依赖安装

2.1 获取so-vits-svc源码

推荐从GitHub克隆32k分支：

git clone -b 32k https://github.com/svc-develop-team/so-vits-svc.git
cd so-vits-svc

2.2 安装额外依赖

创建requirements.txt文件：

Flask==2.1.2
Flask_Cors==3.0.10
gradio==3.4.1
numpy==1.23.5
pyworld==0.3.2
scipy==1.10.0
tqdm==4.63.0
praat-parselmouth
librosa==0.9.2

安装依赖：

pip install -r requirements.txt

常见问题解决 ：

• 如果pyworld安装失败，尝试先安装Microsoft C++ Build Tools
• librosa可能需要的额外依赖： conda install -c conda-forge ffmpeg

2.3 预训练模型准备

下载必备模型文件：

1. Hubert模型：

   https://github.com/bshall/hubert/releases/download/v0.1/hubert-soft-0d54a1f4.pt
   

   放置路径： ./hubert/

2. 预训练G/D模型：

   https://huggingface.co/innnky/sovits_pretrained/resolve/main/G_0.pth
   https://huggingface.co/innnky/sovits_pretrained/resolve/main/D_0.pth  
   

   放置路径： ./logs/32k/

3. 数据准备与预处理

3.1 训练数据规范

• 音频格式：必须为单声道WAV，采样率不限（会自动重采样）
• 每条音频时长：4-8秒为佳
• 数据量：每个说话人建议60-100条
• 目录结构：

  dataset_raw/
  ├───speaker1
  │   ├───audio1.wav
  │   └───audio2.wav
  └───speaker2
      ├───audio1.wav
      └───audio2.wav
  

3.2 配置文件设置

创建 dataset_raw/config.json ：

{
  "n_speakers": 2,
  "spk": {
    "speaker1": 0,
    "speaker2": 1
  }
}

3.3 执行预处理流程

1. 重采样（自动转为32kHz）：

   python resample.py
   

2. 划分训练集/验证集：

   python preprocess_flist_config.py
   

3. 提取Hubert特征和F0：

   python preprocess_hubert_f0.py
   

关键参数调整 ：

• 修改 configs/config.json 中的 batch_size ：
  • 6G显存：设置为2-3
  • 8G显存：设置为4-6
  • 12G+显存：可尝试8-12

4. 模型训练与优化

4.1 启动训练

基础训练命令：

python train.py -c configs/config.json -m 32k

训练优化技巧 ：

1. 修改 train.py 提高稳定性：

   # 修改第60行
   dist.init_process_group(backend='gloo')  # 替代原来的nccl
   
   # 添加环境变量
   os.environ["CUDA_VISIBLE_DEVICES"] = "0"
   os.environ["PYTORCH_CUDA_ALLOC_CONF"] = "max_split_size_mb:32"
   

2. 监控训练状态：

   • 查看 logs/32k/train.log
   • 关键指标：
     • Epoch：当前迭代轮次
     • Global_step：总训练步数
     • Loss值：应逐渐下降

4.2 训练策略

训练阶段	建议迭代次数	预期效果
初期	1k-5k	声音轮廓形成
中期	5k-15k	音色细节丰富
后期	15k-30k	稳定性提升

中断与恢复 ：

• 按Ctrl+C停止训练
• 重新执行相同命令即可继续训练
• 模型自动保存在 logs/32k/ 目录下

5. 推理与效果优化

5.1 基础推理流程

1. 准备干声音频（建议使用Ultimate Vocal Remover提取）

2. 分割为不超过40秒的片段

3. 修改 inference_main.py ：

   model_path = "logs/32k/G_30000.pth"  # 替换为你的最新模型
   clean_names = ["vocal_part1", "vocal_part2"]  # 输入音频文件名
   trans = [0]  # 音高调整（半音）
   spk_list = ['speaker1']  # 训练时的说话人名称
   

4. 执行推理：

   python inference_main.py
   

5.2 高级调参技巧

1. 音色控制参数：

   • slice_db ：切片阈值（-50~-30）
   • noice_scale ：噪声比例（0.1-0.3）

2. 音高修正建议：

   • 男转女：+5到+7半音
   • 女转男：-5到-7半音

3. 后处理建议：

   • 使用Melodyne微调音高曲线
   • 用EQ平衡频率响应（通常需要削减3kHz附近）

6. 常见问题解决方案

6.1 环境问题排查表

问题现象	可能原因	解决方案
CUDA不可用	驱动不匹配	重装对应版本驱动
显存不足	batch_size过大	减小batch_size
训练中断	内存泄漏	添加PYTORCH_CUDA_ALLOC_CONF
音色异常	数据质量差	检查音频是否干净

6.2 性能优化建议

1. 开启FP16训练（修改config.json）：

   "fp16_run": true
   

2. 使用更小的 segment_size （如8960）减少显存占用

3. 冻结编码器部分层（需修改模型代码）

对于想要进一步优化效果的用户，建议关注特征提取质量。在实际项目中，我们发现Hubert特征的质量对最终效果影响极大。可以尝试用更专业的音频编辑软件预处理训练数据，确保没有背景噪音和失真。