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

Agent 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 翻译成的说法。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。