音色翻唱 lol9706262-source/dsh-cover

dsh-cover

用你的音色一句话翻唱一首歌。纯 Host 插件，零 npm 运行时依赖；所有 DSP 走 runtime/.py，由 Applio 的 Python 解释器执行。

你要说的话

用我的音色翻唱一首「山水之间」

或者给链接、给本地文件：

用 myvoice 翻唱 https://www.bilibili.com/video/BV1Vb421B7XQ 用 myvoice 翻唱 D:\音乐\山水之间.mp3

智能体会调 cover_make，跑完九个阶段，把 WAV 和 320k MP3 发给你。

取源怎么走的

source 三种形态，优先级从高到低：

1. 本地文件存在 → 直接采纳，不复制、不转码
2. http(s) 链接 → yt-dlp 下载；域名含 bilibili.com 记作 bilibili
3. 歌名关键词 → 按 fetchOrder（默认 inmp3,bilibili,youtube）依次试：
- inmp3（IN音乐网）：站内搜索 https://inmp3.com/so/<关键词>/1/ 拿 data-rid，打开歌曲页取 let code = "base64" 解出酷我直链，直接下 mp3/aac 再用 ffmpeg 转 WAV。
不需要 yt-dlp、不需要 cookie，命中率最高，但源多数是 128k / 96~98k AAC。
- bilibili：网页搜索 API 拿 bvid → yt-dlp -f bestaudio[ext=m4a]， 30280 音轨通常 184~263k，音质最好。
- youtube：ytsearch1: 兜底，常被 bot 校验挡住。

码率自动择优：inmp3 拿到的源码率低于 fetchMinKbps（默认 160）时，会自动再试一次 B 站；只有当 B 站那份比它高 8 kbps 以上才替换，否则删掉临时文件保留 inmp3。整个过程记在输出的 fallback_log 里。

实测（2026-11-04）：

| 歌 | inmp3 | B 站 | 最终 |
| 晴天 周杰伦 | 128k mp3 | 184k m4a | bilibili 184k |
| 起风了 | 98k aac | 263k m4a | bilibili 263k |
| 山水之间 许嵩 | 128k mp3 | — | inmp3 128k |

YouTube 的搜索接口现在会被 bot 校验挡住（Sign in to confirm you're not a bot），直链能下、搜索不能。真要搜 YouTube，加配置 cookiesFromBrowser: "chrome"，或者直接贴 YouTube 链接。

关键词取源时，目录名用关键词本身（如 晴天 周杰伦），不用 B 站标题——B 站标题常带「【Hi-Res无损】｜《…》」这类装饰，会把目录名弄得没法看。
真正的命中标题记在 run.json 的 fetch.picked.title 里。

三个工具

| 工具 | 作用 |
| cover_doctor | 环境自检：Python/core.py/分离器/ffmpeg/yt-dlp/音色表/显卡/磁盘。不改文件。 |
| cover_make | 全流程出成品：取源 → 分轨 → 定调 → 移调 → 换声 → 对齐 → 混音 → 验收 → 导出 |
| cover_status | 读 run.json，看进度、参数、闸门结果、成品路径 |

九阶段与产物

<coversRoot>\<歌名>\
run.json 每阶段状态与耗时，断了可以 resume src\ 取源（URL → WAV） sep\wav\ UVR-MDX 分出来的 Vocals / Instrumental sep\instrumental_shiftN.wav 降调后的伴奏（|pitch|≥1.5 且非 0 才生成） conv\vocal_<voiceId>.wav 换声结果（44.1 kHz 单声道） mix\report.json 三档变体的参数与 QC 实测值 mix\gates.json 闸门逐项判定 out\_标准版.wav 成品 WAV（三档 + 干声） out\*.mp3 320k MP3 out\provenance.json 模型 hash / 定调依据 / 对齐结果 / 闸门结论

音频只写 out/，mix/ 只留两个 JSON——同一份 69 MB 的 WAV 不会存两遍。

定调怎么定的

不用先跑一遍推理猜。拿你音色的训练数据 f0 分布当中位基准（_voices/<voiceId>.json 里的 f0_median_hz），和原唱人声的 f0 中位比：

半音数 = 12 × log2(音色中位 / 原唱中位)

高位超出音色上限 3.5 半音以上 → 降调；低位不够 → 升调；否则保持 0。--pitch 可以硬覆盖。

拿到半音数后按你文档第 3 节的判据分档：

| |pitch| | 模式 | 做法 |
| < 1.5 | none | 取 0，不动 |
| ≥ 1.5 | both | 人声 --pitch + 伴奏 asetrate/atempo 一起移 |

没有「只动人声」这档了：人声一旦移调、伴奏留在原调，整首歌必然跑调。早期版本留了个 vocal-only 档，实测就是错的，已删除。

实测：short.wav 强行 pitch:-5 → 模式 both，伴奏生成 instrumental_shift-5.wav（44.1 kHz 双声道 60.0021s），换声后中位 166.02 Hz（E3）。

长歌怎么办（4 GB 显卡的硬约束）

convert.py 默认按 --chunk-seconds 120 切块，切点吸附到 ±8 秒窗口里能量最低的帧（换气/间奏），块间 0.3 秒重叠做等功率交叉淡化；单块失败自动对半再切，下限 20 秒。

为什么必须切：整首 4 分半的人声一次喂进 RVC，cuDNN 会抛 RuntimeError: GET was unable to find an engine to execute this computation ——那是 CUDA 侧 ALLOC_FAILED，被 torch 翻译成了这个说法。实测 4m12s 能过、4m30s 必崩，就是显存峰值贴着 4 GB 上限。

采样率必须显式重采样（这是个真 bug，修过一次）：Applio 输出的是音色模型自己的采样率（取决于音色模型，常见 40000 或 48000 Hz），不是输入文件的采样率。早期版本把 40000 Hz 的样本当 44100 Hz 用，等于每块都被压快 0.907 倍再补零，拼起来整首歌是碎的——表现出来就是「对齐偏差 1800ms、相关 0.36」。现在读回来先 librosa.resample 到 sr 再拼。

续跑怎么判断能不能沿用

run.json 每个阶段都带 inputs 指纹（文件大小 + mtime，换声那步还带 pitch/音色/分块参数）。指纹对不上就重算，不会拿旧结论套新产物。老 run.json 没有 inputs 字段的一律视为过期。

混音参数

三档默认值，实测能复现（峰值 −0.58 / RMS −13.1 / crest 12.5）：

| 变体 | 人声增益 | 伴奏增益 | 混响 wet |
| standard 标准版 | +4.0 dB | −2.0 dB | 0.11 |
| forward 人声靠前版 | +6.5 dB | −3.0 dB | 0.09 |
| blend 融合版 | +3.0 dB | −1.5 dB | 0.15 |

母带顺序固定：先提增益到 −13 dBFS RMS，再 tanh 软限幅（ceiling 0.94 / knee 0.65）。反了会把动态压平。

闸门

| 项 | 限 |
| peak | ≤ −0.3 dBFS |
| rms | −16.0 ~ −10.0 dBFS |
| crest | ≥ 10.0 dB |
| clipped | = 0 |
| stereo 相关 | 0.10 ~ 0.995（≥0.99 视为近单声道，放行） |

4.5–9.5 kHz 的窄带哨音指标不参与判定：实测你自己的成品在它下面 96% 的帧都触发，那个指标只在纯人声轨上有点意义，现在只作为参考值输出。

闸门不过默认不导出（force: true 可强制）。干声轨不参与成品闸门。

装/卸

dsh plugin --profile desktop add github:lol9706262-source/dsh-cover

或从本地目录装：

dsh plugin --profile desktop add file:C:/path/to/dsh-cover

装完重启一次 DSH（主进程，不是开新会话）——Host 插件在进程启动时加载。

卸载：dsh plugin --profile desktop remove dsh-cover。

音色表

<voicesDir>\<voiceId>.json，一个音色一个文件，key 就是音色 id：

{
"myvoice": {
"pth": "<applioRoot>\\logs\\myvoice\\myvoice_300e_27900s.pth",
"index": "<applioRoot>\\logs\\myvoice\\myvoice.index",
"sample_rate": 40000,
"f0_median_hz": 172.89,
"f0_p95_hz": 258.75,
"f0_min_hz": 53.63,
"f0_max_hz": 319.34,
"defaults": { "index_rate": 0.75, "protect": 0.33, "volume_envelope": 1.0, "f0_method": "rmvpe" }
}
}

sample_rate 必须是 RVC 模型自己的采样率（看训练配置），不是输入音频的采样率。
f0_median_hz 用来定调：拿训练集 f0 中位当「你能舒服唱到哪」的基准。

加音色就往这个目录塞新的 json，cover_doctor 会认出来。

参数速查（cover_make）

| 参数 | 默认 | 说明 |
| source | 必填 | URL / 本地路径 / 歌名关键词（走 ytsearch） |
| voice | _voices/ 里第一个音色 | 音色 id |
| pitch | 自动 | 强制移调半音数 |
| variants | 三档全出 | standard / forward / blend |
| preset | default | default / slow_ballad / fast_pop |
| target_rms | −13.0 | 母带目标 |
| index_rate | 0.75 | 发飘往上调，贴原唱往下调 |
| protect | 0.33 | 齿音糊往上调到 0.45 |
| resume | true | 沿用已有阶段（产物指纹没变才沿用） |
| chunk_seconds | 120 | 换声分块秒数，4 GB 显卡别超过 150 |
| force | false | 闸门不过也导出 |

依赖边界

- 只要求 Applio env 里已有的 numpy / soundfile / librosa / scipy
- 不引入 pyloudnorm / pedalboard / pyrubberband
- ffmpeg 用 <applioRoot>\ffmpeg.exe（那个版本的 amix 没有 normalize，所以混音一律走 Python 逐样本，不用 amix）
- 移调用 asetrate + aresample + atempo，时长不变（实测 180.5013 → 180.4821）

已知边界

- 只有 2-stem UVR 分离，做不了主唱/和声分离
- 1050 Ti 4 GB 实测：4m36s 的歌分轨 62 秒、换声 223 秒；4m30s 的歌换声分 3 块共 267 秒，全程 299 秒
- 5m03s（平凡之路）分轨 62 秒、换声 4m56s，全程 483 秒
- 分离阶段没有分块机制，长歌的分轨显存峰值取决于 audio-separator 自身
- yt-dlp 走 YouTube，国内网络需要自己解决

实测台账

| 歌 | 时长 | 定调 | 全过程 | 结果 |
| 山水之间 许嵩 | 276.06 s（本地 48k 单声道） | 220.33 Hz → keep 0 | 374 s | 三档全过 |
| 夜空中最亮的星 逃跑计划 | 252.25 s（inmp3 128k） | 185.27 Hz → pitch −5 / both | 397 s | 三档全过 |
| 晴天 周杰伦 | 269.50 s（B 站 184k） | 238.89 Hz → keep 0 | 299 s | 三档全过 |
| 平凡之路 朴树 | 303.25 s（B 站 211k） | 142.04 Hz → keep 0 | 483 s | 三档全过 |

实测台账（1050 Ti 4 GB / 山水之间 276.06s / 48 kHz 单声道源）

| 阶段 | 耗时 |
| 取源 | 0.2 s |
| 分轨 | 62 s |
| 定调（pyin hop=1024） | 36 s |
| 换声 | 223 s |
| 对齐 | 5.6 s |
| 混音（3 档 + 干声） | 36 s |
| 验收 | 0.1 s |
| 导出 3 个 MP3 | 12 s |
| 合计 | 374 s |

成品 QC：标准版 peak −0.609 / RMS −13.032 / crest 12.42 / 削波 0；人声靠前版 −0.613 / −13.034 / 12.42；融合版 −0.609 / −13.030 / 12.42。三档全过闸门。

定调结论：原唱人声中位 220.33 Hz（A3），音色中位 172.89 Hz，semitone_median −4.2，但 high_overshoot 仅 1.57 半音（这首歌最高只摸到 G♯4），判 keep → pitch 0。