AI 唱歌不难，难的是唱得像她。 这一期我把三件事全塞进一台 8G 显存的笔记本：让机器唱、把伴奏拆开、再把嗓子换成小肥鱼的。
用到的工具如下，全部本地跑，没有一次云端调用：
ACE-Step 1.5：负责“唱”。作曲、编曲、人声一次生成，16 步、80 秒的歌 36 秒出。
Demucs（htdemucs）：负责“拆”。把人声和鼓、贝斯、其他分成四轨，80 秒音频 10 秒跑完。
Seed-VC：负责“换”。零样本音色转换，把 ACE 的嗓子换成她的，80 秒约 42 秒。
GPT-SoVITS v2Pro：她的本音。旁白和说话都是它。
Z-Image Turbo：这一期的插图，本地图生图，一张 30 秒。
卡住的地方如下，这期九成时间花在这里：
咬字是最难的一关：一开始 18 个关键词 Whisper 只听对 4 个，基本是“音韵像中文、语义为零”。换成 16 步采样，加上 clear / crisp consonants 这组标签，再把 bpm 压到 70，命中 10 个。反常识的是，把歌词改短句，反而掉到 6 个，而且退化成“嗯……啊啊啊”。
Seed-VC 的参数很难兼顾：cfg 0.70 咬字最好（7/13），但音色只是“像”；拉到 0.90，音色几乎一样了，咬字却掉到 4/13，字全糊在一起。最后靠一条 20 秒的拼接参考音，加上 cfg 0.75，才两头兼顾。附带一条硬性要求：参考音 3~10 秒，短了不像，长了会跑。
接缝比想象的难：四段分别生成再拼起来，各段拆出的鼓、贝斯长度差几个采样，就会直接报维度错误；接缝处还会出现“前面 -45 dB 等于空了半秒”和“后面突然 +13 dB”两种情况。解法是统一截到最短再相加，加上 0.05~0.6 秒等功率交叉淡化，再把下一段鼓组提前铺进前一小节。
ACE 长音频会超时：150 秒的器乐生成要 5 到 12 分钟，脚本等不住会断，但服务端还在跑。应该用 /history 轮询，不能只等待。
母带前先测：上传那版峰值 +0.35 dBTP 已经削顶，还有四处 -25 到 -30 dB 的空洞。补洞，加 320 Hz 削 2.5 dB，再用 loudnorm 跑两遍，才到 -14 LUFS / -1.0 dBTP。
最后说句实话：不是她学会了唱。曲、调、气口全是 ACE 的，Seed-VC 只做了换声。这首歌是借她的嗓子唱出来的；但这句话本身，我觉得挺有意思。
下一期：让她自己写一首。
声明：本视频画面与声音均由 AI 生成，本地部署，非真人演唱。角色「小肥鱼」为原创形象。
标签：AI音乐 / ACE-Step / Seed-VC / Demucs / GPT-SoVITS / AI翻唱 / 音色克隆 / 本地部署 / 8G显存 / ComfyUI / AI唱歌 / 技术向
分区：科技 → 人工智能；必勾：AI 生成内容
