[AI 奇技淫巧] 第十四期
— 听觉幻术：从人声分离到克隆变声的完整闭环 —
■ 前言
，各位榴友。
视觉（生图）解决了“皮囊”，连接（远程）解决了“距离”，字幕（翻译）解决了“理解”。
现在，我们来到了最后一道感官防线——声音。
在这个赛博时代，耳听也不一定为实。
* 想网恋/整蛊？ 哪怕你是抠脚大汉，也能拥有让耳朵怀孕的御姐音（实时变声）。
* 想听定制剧本？ 只需投喂 5 秒钟素材，就能克隆出“老师”的声音，让她在你耳边读你写的小黄文（语音生成）。
* 素材有杂音？ AI 手术刀能把人声和背景音完美剥离。
今天，我们带来双 SOP 教程，手把手教你掌握这一整套听觉幻术。
一、 奇 ｜ 无中生有：Suno 的音乐与氛围
★【看点：一句话生成神曲】
看点解析
在讲人声之前，先提一嘴最近火爆的 Suno。它不是简单的 TTS，它是音乐生成器。
玩法： 输入一段羞耻的歌词（比如描写你和 AI 女友的故事），选择 "J-Pop" 或 "Jazz" 风格，AI 瞬间生成一首带人声演唱、带伴奏的完整歌曲。
进阶玩法 (Text-to-Audio)：
如果你想做 ASMR，光有人声太干了怎么办？试试 AudioLDM 或 Stable Audio。输入 "Rain falling on tent"（雨打帐篷）或 "Heavy breathing"（沉重呼吸），AI 自动生成高保真环境音效。
扯扯蛋：人声+BGM+环境音，这才是完整的听觉盛宴。以前做这些要一个团队，现在只要你一句话。
二、 技 ｜ 听觉手术刀：UVR5 与 RVC
★【看点一：UVR5 (Ultimate Vocal Remover)】
看点解析
这是本期的隐藏核武器。
你想克隆“老师”的声音，但视频里有 BGM、有摩擦声、还有男优的叫声，直接喂给 AI 训练绝对是废的。
UVR5 是目前地表最强的人声分离软件。它能像手术刀一样，把纯净的人声从复杂的背景音里完美剥离出来。这是所有语音玩法的“前置科技”。
进阶提示： 如果剥离出来的人声底噪还是大，可以用 DeepFilterNet 或在线的 Adobe Podcast 增强一下，座机音质秒变录音棚。
★【看点二：RVC (实时变声)】
看点解析
RVC 是基于神经网络的变声技术。它不是简单的调音高，它是把你的声线“拆碎”，然后用目标模型（比如雷电将军）的声线“重组”。
特点： 延迟低至 0.3 秒，语气完全跟随你。你在笑，变出来的声音就在笑；你在喘，变出来的声音也在喘。
扯扯蛋：UVR5 是赛博世界的“强力卸妆水”，管你伴奏多大声，一键还原老师的本来面目。至于 RVC？那更是变声领结，抠脚大汉秒变雷电将军，网恋选我我超甜。对了，这玩意还能做 AI 翻唱，让老师唱《好运来》也不是梦。
三、 淫 ｜ 完美克隆：GPT-SoVITS
★【看点：5秒零样本克隆】
看点解析
如果你不想自己说话，只想听。
GPT-SoVITS 是目前的克隆之王。
必杀技： 你不需要训练几个小时，只需要用 UVR5 提取出“老师”的一句 5秒钟干声，扔进去，立刻就能用她的声音读任何文本。
情感控制： 找一段“哭腔”或“耳边低语”作为参考音频，AI 生成的声音就会带有同样的颤抖和气声。这才是定制 ASMR 的灵魂。
扯扯蛋：网上的 ASMR 都是给大众听的，只有 AI 生成的，才是只属于你一个人的绝对领域。让她在左耳低语还是右耳喘息，全看你的剧本怎么写。
四、 巧 ｜ 施工蓝图：双 SOP 实战教程
>>> ⚠ 硬件红线 (必读)：本期内容对配置有要求！ <<<
| 项目 | 最低配置 (能跑) | 推荐配置 (爽玩) | 没显卡怎么办？ |
| RVC 实时变声 | NVIDIA 1060 6G+ | RTX 3060 12G+ | 放弃实时，用 CPU 模式录音后处理 |
| GPT-SoVITS | NVIDIA 6G 显存 | 8G 显存及以上 | 用 Google Colab 或在线服务 (见文末) |
* 注：A 卡和核显用户请直接跳到文末的“低配救星”，强行跑本地会卡成 PPT。
SOP A：赛博伪音 (RVC 实时变声)
目标：在微信/QQ/Discord/游戏中，把我的男声实时变成女声。
| 核心难点：虚拟声卡 | 原理图解 (必看) |
| 变声最大的坑是“路由”。 你需要一根“虚拟音频线”来连接 AI 和聊天软件。 工具： VB-Audio Cable (免费软件，搜一下官网下载安装)。 | 複製代码
|
| 步骤 | 具体操作 |
| 1. 准备 | 1. 确保第 10 期的 NVIDIA 驱动已就位。 2. 安装 VB-Audio Cable。 3. 下载 RVC-GUI (GitHub 搜 `RVC-beta` 或 `W-Okada` 版)。 4. 去 `Voice-Models.com` 下载你喜欢的模型 (如雷电将军)。 |
| 2. 设置 | 打开 RVC 软件： * 输入设备： 选你的真实麦克风。 * 输出设备： 选 CABLE Input (VB-Audio Virtual Cable)。 * F0 (音高)： 男变女通常设为 +12 (升一个八度)。 * 点击 Start。 |
| 3. 伪装 | 打开 QQ/微信/Discord 设置： * 麦克风/输入设备： 选 CABLE Output (VB-Audio Virtual Cable)。 * 现在，你对着麦克风说话，对方听到的就是 AI 的声音了！ |
SOP B：造物主 (GPT-SoVITS 语音生成)
目标：只需 5 秒素材，让 AI 读出任何文本。
| 步骤 | 具体操作 |
| 1. 剥离 | 1. 下载 UVR5 (GitHub 搜 Ultimate Vocal Remover)。 2. Model 选择 `VR Arch` -> `Kim_Vocal_2` (人声提取神级模型)。 3. 拖入视频，点击 Start。你会得到一个 `(Vocals)` 纯人声文件。 |
| 2. 部署 | 1. 打开第 10 期安装好的 Pinokio。 2. 在 Discover 页面搜索 `GPT-SoVITS` 并一键安装。 3. 启动后，会自动打开 WebUI 界面。 |
| 3. 生成 | 1. 上传从 UVR5 提取的干声 (截取 5-10秒)。 2. 参考文本： 手动打出那 5 秒钟它说的话（让 AI 学习发音咬字）。 3. 推理文本： 输入你想让他读的骚话。 4. 点击“合成语音”。 |
■【低配救星】/ Low Spec Salvation
没有 4090 怎么办？
本地 AI 虽然爽，但如果你的电脑跑不动，千万别强行炼丹（会炸显存）。
方案 A：借鸡生蛋 (Google Colab)
GPT-SoVITS 有官方的 Colab 笔记本。你只需要一个谷歌账号，就能免费借用谷歌的 T4 显卡在线运行。虽然每次用完环境会重置，但完全免费且不吃本地配置。
方案 B：在线白嫖 (Fish Audio)
现在的在线 TTS 服务已经很强了。Fish Audio (鱼声) 支持非常高质量的中文克隆，每天都有免费额度。虽然不如本地自由，但胜在有浏览器就能用，手机也能玩。
方案 C：微软良心 (Edge-TTS)
如果你不需要克隆，只需要一个好听的声音读小说，可以用开源的 Edge-TTS 工具，调用微软 Edge 浏览器自带的超高质量语音（晓晓/云希），完全免费，连显卡都不需要。
■【避雷针】/ Anti-Scam Guide
技术拆解：警惕“AI 拟声诈骗”
现在你学会了只要 5 秒就能克隆声音。这意味着什么？
意味着骗子打电话给你父母，听起来完全就是你的声音。
防骗指南：
* 家庭暗号： 和父母约定一个只有你们知道的“安全词”。遇到急事要钱的电话，不管声音多像，先问暗号。
* 听呼吸： 目前的 AI 变声在连续说话时，呼吸声和换气点往往很不自然。
老司机语录： 声音是灵魂的载体。善用它来制造快乐，但永远不要用它来欺骗感情（和钱）。
■ 结语
今天，我们不仅学会了如何“伪装”成另一个人，还学会了如何“复刻”那些让我们心动的声音。
现在，你的军火库里有了图、有了文、有了远程控制、有了字幕、有了声音。
但是，生成的图片总感觉还是像“抽卡”，手指画歪了？姿势不对？想要她摆出特定的高难度动作？
下一期，我们将祭出 Stable Diffusion 时代最强大的“物理外挂” —— ControlNet。
下期预告：【第 15 期】神之画笔 —— ControlNet 骨架控制与精准构图，告别抽卡，指哪打哪。
关键词索引：GitHub 搜 "RVC-beta" / "GPT-SoVITS" / "UVR5"
温馨提示：技术无罪，欲望有道。变声虽好，请勿用于电信诈骗。
站内翻阅往期（技术底座与路线）：
7098897 [置顶底座] 引用 7098897：[AI 奇技淫巧][2016.01.12]从零打造你的本地化AI全能作战平台「实操向」
7101067 引用 7101067：[AI 奇技淫巧][第十三期]粉碎生肉！四种姿势打造 AI 字幕流水线
7100694 引用 7100694：[AI 奇技淫巧][第十二期]内网穿透，让 AI 随叫随到