So-VITS-SVC 4.0 训练/推理常见报错和Q&A

之前发了So-VITS-SVC 4.0的整合包和训练/推理教程（BV1H24y187Ko），两天内收到几十条私信和两百多条评论，大多都是各种环节报错出问题了，其中又有大多都是类似的问题，实在回复不过来了，所以我总结了几条常见的报错和解决方法，以供自查。

报错：UnicodeDecodeError: 'utf-8' codec can't decode byte 0xd0 in position xx

答：数据集文件名中不要包含中文或日文等非西文字符。

报错：页面文件太小，无法完成操作。

答：调整一下虚拟内存大小，具体的方法各种地方一搜就能搜到，不展开了。

报错：UnboundLocalError: local variable 'audio' referenced before assignment

答：上传的推理音频需要是16位整数wav格式，用Au转换一下就好。或者装个ffmpeg一劳永逸地解决问题。

报错：AssertionError: CPU training is not allowed.

答：非N卡跑不了的。

报错：torch.cuda.OutOfMemoryError: CUDA out of memory

答：爆显存了，试着把batch_size改小，改到1还爆的话建议云端训练。

报错：RuntimeError: DataLoader worker (pid(s) xxxx) exited unexpectedly

答：把虚拟内存再调大一点。

报错：NotImplementedError: Only 2D, 3D, 4D, 5D padding with non-constant padding are supported for now

答：数据集切片切太长了，5-10秒差不多。

报错：CUDA error: CUBLAS_STATUS_NOT_INITIALIZED when calling 'cublasCreate(handle)'

答：爆显存了，基本上跟CUDA有关的报错大都是爆显存……

还有一些Q&A

Q: 用UVR5分离人声的时候声音会失真，还有什么更给力的工具吗？

A: 理论上UVR5已经是目前最强的人声分离工具了，原曲如果伴奏声音太大轨道太复杂是一定会有失真的，建议选原曲的时候选择伴奏简单人声清楚的效果会好很多。

Q: 我怎么判断模型有没有训练好？

A: 数据集数量正常的情况下（几百条），可以每隔几千步（是总步数不是epoch）跑出来的模型推理听一下，你觉得ok就ok，一般一万步就可以有一个不错的效果了。或者有代码基础的可以用tensorboard查看一下损失率收敛趋势。

Q: 训练聚类模型的时候显卡根本没占用是怎么会是呢？

A: 聚类模型训练吃的是你的CPU，看一下python进程在占用CPU就是在训练，等就行了。

Q: 我实在是太懒了，只想让AI帮我读稿子，不想自己录原声再推理，有啥办法吗？

A: 出门右转隔壁 VITS 项目，最近有个 VITS fast fine-tuning 的方法（BV1Jg4y1E7df），几分钟的素材就能练出比较相似的声音，虽然效果没那么好但它实在是太方便了。

Q: 跑这个的最低配置要求是啥啊？

A: 支持CUDA的6G显存以上的N卡，硬盘也留足一点空间。

Q: A卡真的跑不了吗哭哭

A: 理论上可以在Ubuntu或Linux环境下通过ROCm来实现，但是比较麻烦，小白建议放弃直接去云端。

Q: 云端训练好的模型怎么在本地用？

A: 下载G模型和对应的config文件，放到本地的对应文件夹就行（.\logs\44k和.\configs）

Q: 我训练和推理都很顺利！现在已经做了一首翻唱了，想上传到B站，有什么注意事项吗？

A: 请务必遵循So-VITS使用规约：https://www.bilibili.com/opus/768855762436882434