懂乐理的音乐专业人士可以通过写乐谱并通过乐器演奏来展示他们的音乐创意和构思，但不识谱的素人如果也想跨界玩儿音乐，那么门槛儿就有点高了。但随着人工智能技术的快速迭代，现在任何一个人都可以成为“创作型歌手”，即自主创作并且让AI进行演唱，极大地降低了音乐制作的门槛。

本次我们基于PaddleHub和Diffsinger实现音频歌声合成操作，魔改歌曲《学猫叫》。

配置PaddleHub

首先确保本地就已经安装好了百度的PaddlePaddle深度学习框架，随后输入命令安装PaddleHub库：

pip install paddlehub@2.4.0

PaddleHub是基于PaddlePaddle生态下的预训练模型，旨在为开发者提供丰富的、高质量的、直接可用的预训练模型，也就是说语音模型我们不需要单独训练，直接使用paddlehub提供的模型进行推理即可，注意这里版本为最新的2.4.0。

安装成功之后，配置环境变量：

由于PaddleHub会把音色模型下载到本地，如果不配置环境变量，默认会下载到系统的C盘，所以这里单独设置为E盘。

随后需要将Win11的cmd编码设置为utf-8：

首先找到设置页面搜索地区，并点击更改国家或地区选择管理语言设置选择更改系统区域设置勾选Beta版: 使用Unicode UTF-8 提供全球语言支持，重启生效。

如果不设置utf-8编码，PaddleHub会因为乱码问题报错。

接着安装diffsinger:

hub install diffsinger

随后在终端运行代码：

import paddlehub as hubmodule = hub.Module(name="diffsinger")

这里指定diffsinger的模型库，程序返回：

C:\Program Files\Python310\lib\site-packages\_distutils_hack\__init__.py:33: UserWarning: Setuptools is replacing distutils.  warnings.warn("Setuptools is replacing distutils.")| Hparams chains:  ['configs/config_base.yaml', 'configs/tts/base.yaml', 'configs/tts/fs2.yaml', 'configs/tts/base_zh.yaml', 'configs/singing/base.yaml', 'usr\\configs\\base.yaml', 'usr/configs/popcs_ds_beta6.yaml', 'usr/configs/midi/cascade/opencs/opencpop_statis.yaml', 'model\\config.yaml']| Hparams: K_step: 100, accumulate_grad_batches: 1, audio_num_mel_bins: 80, audio_sample_rate: 24000, base_config: ['usr/configs/popcs_ds_beta6.yaml', 'usr/configs/midi/cascade/opencs/opencpop_statis.yaml'], binarization_args: {'shuffle': False, 'with_txt': True, 'with_wav': True, 'with_align': True, 'with_spk_embed': False, 'with_f0': True, 'with_f0cwt': True}, binarizer_cls: data_gen.singing.binarize.OpencpopBinarizer, binary_data_dir: data/binary/opencpop-midi-dp, check_val_every_n_epoch: 10, clip_grad_norm: 1, content_cond_steps: [], cwt_add_f0_loss: False, cwt_hidden_size: 128, cwt_layers: 2, cwt_loss: l1, cwt_std_scale: 0.8, datasets: ['popcs'], debug: False, dec_ffn_kernel_size: 9, dec_layers: 4, decay_steps: 50000, decoder_type: fft, dict_dir: , diff_decoder_type: wavenet, diff_loss_type: l1, dilation_cycle_length: 4, dropout: 0.1, ds_workers: 4, dur_enc_hidden_stride_kernel: ['0,2,3', '0,2,3', '0,1,3'], dur_loss: mse, dur_predictor_kernel: 3, dur_predictor_layers: 5, enc_ffn_kernel_size: 9, enc_layers: 4, encoder_K: 8, encoder_type: fft, endless_ds: True, ffn_act: gelu, ffn_padding: SAME, fft_size: 512, fmax: 12000, fmin: 30, fs2_ckpt: , gaussian_start: True, gen_dir_name: , gen_tgt_spk_id: -1, hidden_size: 256, hop_size: 128, infer: False, keep_bins: 80, lambda_commit: 0.25, lambda_energy: 0.0, lambda_f0: 0.0, lambda_ph_dur: 1.0, lambda_sent_dur: 1.0, lambda_uv: 0.0, lambda_word_dur: 1.0, load_ckpt: , log_interval: 100, loud_norm: False, lr: 0.001, max_beta: 0.06, max_epochs: 1000, max_eval_sentences: 1, max_eval_tokens: 60000, max_frames: 8000, max_input_tokens: 1550, max_sentences: 48, max_tokens: 40000, max_updates: 160000, mel_loss: ssim:0.5|l1:0.5, mel_vmax: 1.5, mel_vmin: -6.0, min_level_db: -120, norm_type: gn, num_ckpt_keep: 3, num_heads: 2, num_sanity_val_steps: 1, num_spk: 1, num_test_samples: 0,num_valid_plots: 10, optimizer_adam_beta1: 0.9, optimizer_adam_beta2: 0.98, out_wav_norm: False, pe_ckpt: checkpoints/0102_xiaoma_pe,pe_enable: True, pitch_ar: False, pitch_enc_hidden_stride_kernel: ['0,2,5', '0,2,5', '0,2,5'], pitch_extractor: parselmouth, pitch_loss: l1,pitch_norm: log, pitch_type: frame, pre_align_args: {'use_tone': False, 'forced_align': 'mfa', 'use_sox': True, 'txt_processor': 'zh_g2pM', 'allow_no_txt': False, 'denoise': False}, pre_align_cls: data_gen.singing.pre_align.SingingPreAlign, predictor_dropout: 0.5,predictor_grad: 0.1, predictor_hidden: -1, predictor_kernel: 5, predictor_layers: 5, prenet_dropout: 0.5,prenet_hidden_size: 256, pretrain_fs_ckpt: , processed_data_dir: data/processed/popcs, profile_infer: False, raw_data_dir: data/raw/popcs,ref_norm_layer: bn, rel_pos: True, reset_phone_dict: True, residual_channels: 256, residual_layers: 20,save_best: False, save_ckpt: True, save_codes: ['configs', 'modules', 'tasks', 'utils', 'usr'], save_f0: True, save_gt: False,schedule_type: linear, seed: 1234, sort_by_len: True, spec_max: [-0.79453, -0.81116, -0.61631, -0.30679, -0.13863, -0.050652, -0.11563, -0.10679, -0.091068, -0.062174, -0.075302, -0.072217, -0.063815, -0.073299, 0.007361, -0.072508, -0.050234, -0.16534, -0.26928, -0.20782, -0.20823, -0.11702, -0.070128, -0.065868, -0.012675, 0.0015121, -0.089902, -0.21392, -0.23789, -0.28922, -0.30405, -0.23029, -0.22088, -0.21542, -0.29367, -0.30137, -0.38281, -0.4359, -0.28681, -0.46855, -0.57485, -0.47022, -0.54266, -0.44848, -0.6412, -0.687, -0.6486, -0.76436, -0.49971, -0.71068, -0.69724, -0.61487, -0.55843, -0.69773, -0.57502, -0.70919, -0.82431, -0.84213, -0.90431, -0.8284, -0.77945, -0.82758, -0.87699, -1.0532, -1.0766, -1.1198, -1.0185, -0.98983, -1.0001, -1.0756, -1.0024, -1.0304, -1.0579, -1.0188, -1.05, -1.0842, -1.0923, -1.1223, -1.2381, -1.6467], spec_min: [-6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0, -6.0],spk_cond_steps: [], stop_token_weight: 5.0, task_cls: usr.diffsinger_task.DiffSingerMIDITask, test_ids: [], test_input_dir: ,test_num: 0, test_prefixes: ['popcs-说散就散', 'popcs-隐形的翅膀'], test_set_name: test, timesteps: 100, train_set_name: train,use_denoise: False, use_energy_embed: False, use_gt_dur: False, use_gt_f0: False, use_midi: True,use_nsf: True, use_pitch_embed: False, use_pos_embed: True, use_spk_embed: False, use_spk_id: False,use_split_spk_id: False, use_uv: True, use_var_enc: False, val_check_interval: 2000, valid_num: 0,valid_set_name: valid, validate: False, vocoder: vocoders.hifigan.HifiGAN, vocoder_ckpt: checkpoints/0109_hifigan_bigpopcs_hop128, warmup_updates: 2000,wav2spec_eps: 1e-6, weight_decay: 0, win_size: 512, work_dir: ,Using these as onnxruntime providers: ['CPUExecutionProvider']

说明PaddleHub已经配置好了，执行过程中预训练模型会被下载到E盘。

Diffsinger模型推理

DiffSinger是一个基于扩散概率模型的 SVS 声学模型，一个参数化的马尔科夫链，它可以根据乐谱的条件，迭代地将噪声转换为旋律谱。

推理之前，安装推理加速模块：

pip install onnxruntime

通过隐式优化变异约束，DiffSinger 可以被稳定地训练并产生真实的输出。

这里通过内置的singing_voice_synthesis方法：

singing_voice_synthesis(inputs: Dict[str, str],sample_num: int = 1,save_audio: bool = True,save_dir: str = 'outputs')

参数含义是：

1. inputs (Dict[str, str]): 输入歌词数据。2. sample_num (int): 生成音频的数量。3. save_audio (bool): 是否保存音频文件。4.save_dir (str): 保存处理结果的文件目录。

在官方文档中:

作者给出了一段示例代码：

results = module.singing_voice_synthesis(  inputs={    'text': '小酒窝长睫毛AP是你最美的记号',    'notes': 'C#4/Db4 | F#4/Gb4 | G#4/Ab4 | A#4/Bb4 F#4/Gb4 | F#4/Gb4 C#4/Db4 | C#4/Db4 | rest | C#4/Db4 | A#4/Bb4 | G#4/Ab4 | A#4/Bb4 | G#4/Ab4 | F4 | C#4/Db4',    'notes_duration': '0.407140 | 0.376190 | 0.242180 | 0.509550 0.183420 | 0.315400 0.235020 | 0.361660 | 0.223070 | 0.377270 | 0.340550 | 0.299620 | 0.344510 | 0.283770 | 0.323390 | 0.360340',    'input_type': 'word'  },  sample_num=1,  save_audio=True,  save_dir='outputs')# text：歌词文本# notes：音名# notes_duration：音符时值（时长）# input_type：输入类型（文本）

示例中使用的是林俊杰的歌曲《小酒窝》。

这里，最核心的逻辑是inputs的notes参数，也就是乐谱中的音名，而notes_duration参数则是该音名的持续时长。

音名对照参照：

1                   A0          6L4          A2          大字2组        27.5 2                   A#0        #6L4        A#2                          29.1353 3                   B0          7L4          B2                            30.8677 4        1         C1          1L3          C1          大字1组        32.7032 5        2         C#1        #1L3        C#1                         34.6479 6        3         D1          2L3          D1                           36.7081 7        4         D#1        #2L3        D#1                        38.8909 8        5         E1          3L3           E1                           41.2035 9        6         F1          4L3           F1                           43.653610       7         F#1        #4L3         F#1                         46.249311       8         G1          5L3          G1                           48.999512       9         G#1        #5L3        G#1                         51.91313       10        A1          6L3           A1                           55 14       11        A#1       #6L3          A#1                        58.270515       12        B1          7L3           B1                           61.7354  16       13        C2         1L2            C          大字组         65.406417       14        C#2       #1L2         #C                          69.295718       15        D2         2L2            D                           73.416219       16        D#2       #2L2         #D                         77.781720       17        E2         3L2            E                           82.406921       18        F2         4L2            F                            87.307122       19        F#2       #4L2         #F                          92.498623       20        G2         5L2           G                           97.998924       21        G#2      #5L2         #G                         103.82625       22        A2         6L2           A                           11026       23        A#2       #6L2        #A                          116.54127       24        B2         7L2           B                           123.47128       25        C3         1L1           c         小字组          130.81329       26        C#3      #1L1         #c                          138.59130       27        D3         2L1           d                           146.83231       28        D#3      #2L1         #d                         155.56332       29        E3          3L1          e                           164.81433       30        F3          4L1          f                            174.61434       31        F#3       #4L1        #f                           184.99735       32        G3         5L1           g                           195.99836       33        G#3      #5L1         #g                          207.65237       34        A3          6L1          a                            22038       35        A#3       #6L1        #a                          233.08239       36        B3         7L1           b                            246.94240       37        C4          1             c1     小字1组(中央C)   261.62641       38        C#4       #1           c#1                           277.18342       39        D4         2              d1                            293.66543       40        D#4       #2           d#1                          311.12744       41        E4         3               e1                           329.62845       42        F4         4               f1                            349.22846       43        F#4       #4            f#1                          369.99447       44        G4         5              g1                           391.99548       45        G#4      #5            g#1                         415.30549       46        A4         6              a1     (国际标准A音)    44050       47        A#4      #6            a#1                          466.16451       48        B4         7              b1                           493.883 52       49        C5        1H1           c2       小字2组          523.25153       50        C#5     #1H1          c#2                        554.36554       51        D5        2H1           d2                          587.3355       52        D#5     #2H1         d#2                        622.25456       53        E5        3H1           e2                          659.25557       54        F5        4H1           f2                           698.45658       55        F#5      #4H1         f#2                        739.98959       56        G5        5H1          g2                          783.99160       57        G#5      #5H1        g#2                       830.60961       58        A5         6H1          a2                         88062       59        A#5      #6H1        a#2                       932.32863       60        B5         7H1          b2                        987.76764       61        C6         1H2          c3       小字3组      1046.565       62        C#6      #1H2        c#3                      1108.7366       63        D6         2H2          d3                        1174.66 67       64        D#6      #2H2        d#3                      1244.5168       65        E6         3H2          e3                        1318.5169       66        F6         4H2           f3                        1396.9170       67        F#6      #4H2         f#3                      1479.9871       68        G6         5H2          g3                       1567.9872       69        G#6      #5H2         g#3                    1661.2273       70        A6         6H2          a3                       176074       71        A#6      #6H2         a#3                     1864.6675       72        B6         7H2           b3                      1975.5376       73        C7         1H3           c4       小字4组     209377       74        C#7      #1H3         c#4                     2217.4678       75        D7          2H3          d4                      2349.3279       76        D#7      #2H3         d#4                    2489.0280       77        E7          3H3          e4                      2637.0281       78        F7          4H3          f4                       2793.8382       79        F#7       #4H3         f#4                    2959.9683       80        G7          5H3          g4                     3135.9684       81        G#7      #5H3         g#4                    3322.4485       82        A7          6H3          a4                      352086       83        A#7      #6H3         a#4                    3729.3187       84        B7          7H3          b4                      3951.0788                   C8         1H4           c5     小字5组       4186.01

说白了，就是按照简谱的键位转换为音名。

以旋律相对简单的《学猫叫》为例子：

C’ D’ E’ G C’ E’ E’ D’ C’D’ G’ G’G’ G’ C’ B C’ C’ C’ C’ C’ B C’ B C’ B A G我们一起学猫叫 一起喵喵喵喵喵 在你面前撒个娇 哎呦喵喵喵喵喵 F C Dm GG G A A A A A G E G E G D’ C’ G E’ E’ E’ F’ G’ C’ C’ E’ D’我的心脏砰砰跳 迷恋上你的坏笑 你不说爱我 我就喵喵喵

它的前七个音符分别对应CDEGCEE，对应代码：

results = module.singing_voice_synthesis(  inputs={    'text': '我们一起学猫叫',    'notes': 'D#3 | E3 | E5 | G4 | C5 | E5 | E5',    'notes_duration': '0.407140 | 0.307140 | 0.307140 | 0.307140 | 0.307140  | 0.307140 | 0.307140 '  ,    'input_type': 'word'  },  sample_num=1,  save_audio=True,  save_dir='./outputs')

这里推理的音频存储在outputs文件夹内。

结语

利用DiffSinger我们可以简单的将歌词和旋律通过代码转换为实体歌声，但需要注意的是该项目只是输出了清唱部分，真正的音乐作品还需要添加伴奏以及调音等操作，欲知后事如何，且听下回分解，另外，魔改版本的《学猫叫》已经上传到Youtube(B站)：刘悦的技术博客，欢迎品鉴。