VocalRender：輸入歌詞和樂譜，直接合成 48 kHz 高保真歌聲

VocalRender 是一個開源的樂譜原生歌聲合成系統，可以直接把你寫好的歌詞和 MIDI 旋律，渲染成 48 kHz 的高保真歌聲。

做過虛擬歌手調教或者接觸過傳統歌聲合成工具的朋友都知道，以前做一首歌特別費勁，不僅要把每個字甚至每個音素的時長一格格對齊，還得手動畫音高曲線。VocalRender 的思路不一樣，它只吃作曲家平時用到的符號資訊：歌詞、MIDI 音高、音符時值，以及曲速。

它能做什麼

你只需要準備三樣東西：歌詞、用 MIDI 記下的旋律，加上一段 2 到 8 秒的乾淨人聲取樣作為音色參考。

模型會自己決定最終的演唱時序和發音節奏。遇到一字多音的情況，也就是一個漢字要轉好幾個音符時，它也能自動平滑處理，不需要人工標註每個音唱多長。

官方提供了兩個模型權重：基礎版 VocalRender 和進階版 VocalRender-Pro。兩個版本的模型結構和引數量完全一致，都是基於語音基礎模型 VoxCPM2 初始化而來。不同之處在於訓練配方：基礎版用的是兩階段合成數據預訓練加 CrawlSinger-OS 微調，Pro 版本則在大規模真實歌聲資料集上訓練了更長時間，演唱表現力和細節都更出色。

在效果對比上，它比同類工具明顯更穩，不會出現音高亂飄、跑調的情況，還能還原歌手的呼吸感與細微咬字。

怎麼跑起來

專案採用 Apache-2.0 協議開源，包括資料預處理、模型架構、推理指令碼、評估指標，以及訓練程式碼全套開放。

每個權重檔案下載下來大約 9.5 GB。它需要一張支援 CUDA 的獨立顯示卡，不過只要你的顯示卡視訊記憶體裝得下這 10 GB 左右的模型，本地就能直接跑起來。

最簡單的上手方式是克隆倉庫後配置環境，從 Hugging Face 下載基礎版或 Pro 版權重，直接執行自帶的單曲推理指令碼。專案自帶了來自 OpenCpop 資料集的三個現成樂譜與參考音訊對，不用改配置就能直接輸出一段 48 kHz 的演示音訊。

如果你不想敲命令列，倉庫裡還自帶了一個基於 Gradio 的 WebUI 演示，配有鋼琴捲簾編輯器，支援匯入 ABC 或 MusicXML 樂譜，可以直接在瀏覽器裡挑音色、換模型來試聽。

需要注意的是，官方放出來的預訓練權重目前主要是在中文歌聲資料集上訓練的。如果你想讓它唱其他語言，倉庫裡已經開源了完整的預處理和訓練指令碼，你可以準備自己的多語言資料集重新訓練。

為什麼重要

如果你是獨立音樂人或編曲愛好者，VocalRender 能極大降低做 Demo 的門檻。以前請不起歌手又嫌調教 Vocaloid 太累，現在只要把 MIDI 旋律和歌詞丟進去，給幾秒參考音色，幾分鐘就能出一版像模像樣的試唱。

和傳統方案相比，它最聰明的地方在於徹底拋棄了人工時間對齊和手工 F0 曲線，改用自迴歸框架預測節奏草圖、再由擴散模型修飾高保真音訊細節。雖然目前多語言能力還需要自己準備資料訓練，但以現在的開源完整度和音質表現，它已經是非常值得裝進工具箱的本地音樂生產力工具。