《深呼吸》女声翻唱版 · 制作记录

日期：2026-09-16 源曲：羽泉《深呼吸》（用户提供的 MP3，4:59 / 44.1kHz） 声线参考：金莎《星月神话》（用户提供的 MP3，4:09）—— 只作音色/音区参考管线：SheetSage2 提取旋律 → 整谱移调 → YuE2 cot=melody 重渲染（人声+伴奏全新生成）

一、交付清单

文件	时长	格式	说明
`01-深呼吸-女声翻唱-金莎音区.flac` / `.mp3`	4:56	48kHz 立体声	主推：旋律升 5 半音，落在金莎的声线区间
`02-深呼吸-女声翻唱-原调版.flac` / `.mp3`	5:01	48kHz 立体声	备选：保持原调，仅换音色
`脚本/`	—	—	本次用到的全部脚本（可复现）

歌词文件是流水线输入，未随交付发布。

二、先说清技术边界（重要）

YuE2 不做音色克隆。 官方 README 明确写：

Reference audio is used to extract a symbolic score; it does not clone the original singer. This is not voice cloning and does not preserve the original waveform.

所以"借金莎的少女声线"我落实为两件可验证的事，而不是克隆：

音区对齐：测出金莎在《星月神话》里的人声基频区间，把翻唱旋律移调到同一音区（客观可测）；
音色描述：在风格提示词里用文本描述她的音色特征（纤细、纯净、气声、清亮、少女感），由模型据此塑造音色。

不能保证的是"听起来就是金莎本人"——那需要专门的音色克隆/转换模型（如 RVC、so-vits 之类），YuE2 链路做不到。

三、管线（这版和第 2 首"战场纯音乐"不同的地方）

源曲 MP3
  └─ ffmpeg 去 ID3 转 FLAC          ← 见"坑 1"
      └─ SheetSage2 转谱（melody_only=true）
          └─ 得到纯旋律 ABC（无人声、无和弦，只有 Vocal 声部 + Ins 休止）
              ├─ ABCModifier 整谱移调 +5 半音（调号 Ab→Db 同步）
              ├─ MelodyCleanup light（清理过短/离群音符）
              └─ YuE2 Sampler（cot=melody + abc + 新歌词段落 + 新风格提示词）
                  └─ 48kHz 立体声翻唱

关键点：cot=melody 且只喂旋律 ABC（不给和弦）→ 伴奏由模型按新风格自由生成，所以移调不会与伴奏打架。

四、客观验收数据

1) 人声基频（YIN 算法，同一把尺子量三条轨）

轨道	中位 F0	5–95% 音域	判定
原唱·羽泉（男）	223 Hz (A3)	A2 – G#4	高音男声
参考·金莎（女）	299 Hz (D4)	A3 – A#4	甜美女声
翻唱 v2·金莎音区	312 Hz (D#4)	G3 – A#4	与参考中位差 0.7 半音，上限完全一致
（对照）翻唱 v1·原调	236 Hz (A#3)	D#3 – F4	比参考低 4.1 半音

→ v2 把翻唱搬进了金莎的音区，这是"借鉴声线"里唯一能客观验证的部分。

2) 旋律保真度（确认是同一首歌，不是另写一首）

对翻唱重新转谱后与原曲旋律对比：

指标	值	含义
旋律音程分布余弦相似度	0.988	接近 1.0 → 旋律走向与原曲一致（移调不变量）
转谱音符数	原 613 / 翻唱 550	同一量级
中位音高差（ABC 口径）	+3 半音	与移调设定同向（口径不同于 F0 帧加权）

3) 生成开销

版本	端到端	semantic tokens	峰值显存
v1（原调）	6.2 min	7520	11.38 GiB
v2（+5 半音, cfg=1.2）	9.2 min	~7500	—

cfg 从官方默认 1.0 提到 1.2 会算两遍前向，耗时明显增加（这也是 v2 慢 3 分钟的原因）。

五、踩到的坑（含一个通用 bug）

坑 1：带 ID3 标签的 MP3 会让 ComfyUI 的 LoadAudio 直接崩 ⚠️

UnicodeDecodeError: 'utf-8' codec can't decode byte 0xc9 in position 0: invalid continuation byte
  at comfyui nodes_audio.py LoadAudio.execute -> load(audio_path)

你上传的两首 MP3 都带 GBK 编码的中文 ID3 标签，ComfyUI 读元数据时按 UTF-8 解码 → 炸。 绕过办法（已验证）：

ffmpeg -y -i input.mp3 -map_metadata -1 -c:a flac input.flac

即"先去掉元数据转成 FLAC"。以后凡是中文歌的 MP3 走 ComfyUI，都建议先过这一步。

坑 2：`YuE2SaveABCFile` 的参数叫 `filename` 不是 `filename_prefix`

写错会得到 HTTP 400（/prompt 的报错体不打印出来，只看得到 400）。已在脚本里补上错误体打印。另：ABC 工具的产物不出现在 /history，要落盘在 output/YuE2_ABC/<时间戳>/ 里手动取。

坑 3：基频测量选错算法会得出相反结论

先用"自相关取全局峰"测，金莎被测成 167 Hz（比男声还低）——强二次谐波导致降八度错误。改用 YIN（累积均值归一化差值 + 第一谷值 + 抛物线插值）后数值才合理。做男女声判定必须用 YIN 类算法。

坑 4：我自己写错参数导致一次空跑

--cfg 当时还没实现，脚本直接报 unrecognized arguments，白等 1 分钟（已给脚本补上 --cfg）。

六、复现命令

# 1) 源曲转谱（去掉 ID3 的 FLAC）
ffmpeg -y -i 源曲.mp3 -map_metadata -1 -c:a flac 源曲.flac     # 放进 ComfyUI/input/
python3 yue2-sheetsage.py --audio 源曲.flac --melody-only --tag cover-src

# 2) 整谱移调 + 清理（+5 半音，调号同步）
python3 yue2-abc-shift.py --abc melody-source.abc --semitones 5 --scope whole_score --out melody-p5.abc

# 3) 重渲染（cot=melody + 旋律 ABC + 目标音色提示词）
python3 yue2-run.py --cot melody --abc-file melody-p5.abc --lyrics-file 歌词.txt \
  --sem-mx 8500 --attn sdpa --cfg 1.2 --seed 999999 \
  --style "Mandarin pop, sweet youthful girl lead vocal with the delicate timbre of Jin Sha, ..." \
  --tag cover-female-p5 --outdir <输出目录>

# 4) 验收：分离人声 + YIN 测基频
venv/bin/python -m demucs --two-stems=vocals -n htdemucs -o /home/zyw/demucs-out <成品.flac>
python3 yin-f0.py /home/zyw/demucs-out/htdemucs/<名>/vocals.wav 标签

七、还可以继续调的

多跑几版挑声音：音色由提示词+随机种子决定，建议固定 seed 扫 3–5 版试听挑选（我无法试听，只能保证音区/旋律指标）。
更"少女"一点：把 sem_mx 提到 9000 不解决问题；更有效的是再升 2 个半音（+7）或风格词加 teenage girl, light head voice, pure and bright。
想要真·音色克隆：需要换链路（Vocal 分离 → RVC/so-vits 音色转换 → 混音），与 YuE2 无关，要另做方案。
cfg 扫描：1.0 / 1.2 / 1.4 三档对比风格的"贴不贴"。

深呼吸女声翻唱-制作记录.md