---
title: RVC 翻唱工作站
emoji: 🎤
colorFrom: purple
colorTo: indigo
sdk: gradio
sdk_version: 6.26.0
python_version: "3.10"
app_file: app.py
pinned: false
license: mit
short_description: PyMSS 三板斧分离 + RVC 变声翻唱
hardware: zero-a10g
---

# RVC 翻唱工作站（PyMSS 分离 + RVC 变声，ZeroGPU）

上传一首歌，自动完成「人声分离 → 去混响 → RVC 变声 → 成品混音」，输出 5 路音频。

## 工作流

| 步骤 | 模型 | 输入来源 | 输出音轨 |
| --- | --- | --- | --- |
| 1 | `big_beta6x` | 原始输入 | `vocals` / `other`(伴奏) |
| 2 | `mel_band_karaoke_fusion_standard` | 步骤1 `vocals` | `Vocals` / `Instrumental`(和声) |
| 3 | `dereverb_mel_band_roformer_anvuew_sdr_19.1729` | 步骤2 `Vocals` | `noreverb` / `reverb` |

- `noreverb` → **RVC 变声**，作为主人声
- `Instrumental` → 和声，默认原样混入；可选「和声处理」也过 RVC；可选「移除和声」整条丢弃

## 页面输出（5 个音频框）

1. 伴奏（`other`）
2. 变声后的主人声（`noreverb`）
3. 和声（`Instrumental`，可能已被 RVC 处理；勾选「移除和声」时为空）
4. 混响（`reverb`）
5. 合并成品 = ①+②+③+④，对齐时长叠加后做峰值归一化

两个选项**默认都不勾选**：`移除和声`、`和声处理`。

## 部署步骤

### 1. 创建 Space

- SDK 选 **Gradio**，硬件在 Settings → Space Hardware 里选 **ZeroGPU**
  （README 里已写 `hardware: zero-a10g`，这是 ZeroGPU 的标识符）
- 建议设为 **Private**，因为要往里配私有音色的读取权限

### 2. 分离模型：什么都不用传

**Space 仓库的 Git/LFS 存储上限只有约 1 GB**（那个「50 GB」是运行时的临时磁盘，不是仓库），所以三个分离模型（合计约 3.3 GB）不可能塞进仓库。

`app.py` 会在启动时用 `snapshot_download` 从 pymss 官方仓库
[`baicai1145/pymss`](https://huggingface.co/baicai1145/pymss) 拉取到容器临时盘 `/tmp/pymss_models`，再交给 pymss 加载。这些是公开模型，**不需要任何 token**。

想换模型（比如换更小的 `big_beta7`，约 0.9 GB，能明显缩短冷启动），改 `config.yaml` 里对应的 `ckpt` / `config` 相对路径即可，路径以官方仓库里的实际结构为准。

### 3. 配置两个私有 RVC 音色

编辑 `config.yaml`，把 `voices` 里的 `repo_id` 换成你的**私有**模型仓库：

```yaml
voices:
  - id: voice_a
    label: 音色 A
    repo_id: your-name/my-voice-a
    model_file: model.pth
    index_file: model.index
  - id: voice_b
    label: 音色 B
    repo_id: your-name/my-voice-b
    model_file: model.pth
    index_file: model.index
```

然后在 Space 的 **Settings → Variables and secrets** 里添加 Secret：

- `HF_TOKEN` = 有权读取这两个私有仓库的 Hugging Face Access Token

（Private Space 会自动注入一个 `HF_TOKEN`，但它只有本条 Space 仓库的权限；音色放在**别的**私有仓库时，需要手动加一个有读权限的覆盖掉。）

音色同样下载到容器临时盘 `/tmp/pymss_models/rvc/`，**不会进仓库**。

### 4. 常见需要调的参数

`config.yaml` → `runtime`：

| 字段 | 默认 | 说明 |
| --- | --- | --- |
| `output_sr` | 44100 | 输出采样率（三个分离模型都是 44100） |
| `gpu_declared_seconds` | 60 | 固定声明给 `@spaces.GPU` 的秒数，实际预占 = 该值 × `gpu_duration_factor`（= 90s）。它同时是运行时限，长音频要往上调 |
| `gpu_duration_factor` | 1.5 | ZeroGPU 硬件系数（`spaces/zero/configs.json`），换硬件时会变 |
| `mix_peak` | 0.97 | 合并轨峰值归一化目标 |
| `pitch_algo` | rmvpe+ | 音高提取算法，`rmvpe+` 质量最好 |
| `model_cache_dir` | `/tmp/pymss_models` | 分离模型 + 音色下载缓存（临时盘） |
| `work_dir` | `/tmp/rvc_cover` | 每次请求的中间文件目录，1 小时后自动清理 |

## 注意事项

- **Python 版本必须是 3.10，别改**：`infer_rvc_python` 依赖的 `faiss-cpu`（以及 1.3.x 的 `pyworld`）在 Python 3.12 上没有任何可用 wheel，pip 会直接 `ResolutionImpossible`。原因和版本对应关系写在 `requirements.txt` 顶部。
- **`infer_rvc_python` 是 vendored 的，不在 `requirements.txt` 里**：它死锁 `torchcrepe==0.0.20` → `librosa==0.9.1`，而 `pymss` 要求 `librosa>=0.10.2`，两者不相容、pip 无解。所以整个包放在 `vendor/infer_rvc_python/`，由 `app.py` 用 `sys.path` 引入，它的运行期依赖在 `requirements.txt` 里显式列出。**别把 `vendor/` 加进 `.gitignore`，也别再往 `requirements.txt` 里写 `infer_rvc_python`**。
- **构建阶段要现编译 pyworld**：Linux 上 pyworld 官方没有 wheel（只有 Windows wheel + sdist），只能从源码编译（需要 gcc / Cython），所以首次构建会稍慢，这一步报错就是编译环境问题。
- **冷启动会下载约 3.3 GB 模型**：容器临时盘每次重启都会被清空，Space 睡醒后会重新下载，第一次访问会慢几分钟。介意的话可以在 Space 设置里加购 persistent storage，或把 `vocal_split` 换成体积更小的模型。
- **ZeroGPU 的额度按「实际耗时」扣，不是按声明值扣**。实测：204.1s 音频实际耗时约 38~40s，配额计量显示 `0.7/5 min`（≈42s）；多次测量基本与音频长度成固定比例，约 **0.19 秒 GPU 时间 / 秒音频**，跟音频是无损还是低品质无关（解码开销相比模型推理可忽略）。
- **但调度门槛按「声明值」预检查**：`剩余配额 < 声明值 × 硬件系数` 会直接被拒（`quota exceeded`），与实际跑多久无关。所以声明值固定在 60（→ 预占 90s）最省事。
- **硬件系数 1.5**：SDK 把声明值乘上硬件系数再交给调度器（`spaces/zero/configs.json` 里 RTX PRO 6000 Blackwell = 1.5，H200 = 1.0）；这个系数同时也是函数真正可用的运行时间 —— 声明 60 意味着约 90s 跑道。
- **声明值同时是运行时限，别为省额度调太小**：一旦实际跑超，ZeroGPU 会 abort 任务（`GPU task aborted`），配额照样扣、结果也拿不到。60（90s 跑道）按实测速度够跑约 7 分钟以内的音频；更长的歌按 `0.19s / 秒音频` 往上调 `gpu_declared_seconds`。
- **首次调用偏慢**：RVC 音色模型是在第一次请求时才真正加载进显存的（`infer_rvc_python` 的惰性加载），之后会复用。
- **并发**：页面请求会串行执行（内部有锁），避免多个任务互抢显存和中间文件。
- 仅供学习与研究使用，请勿用于侵权或未授权的声音克隆。