SoftVC VITS Singing Voice Conversion
模型简介
歌声音色转换模型，通过SoftVC内容编码器提取源音频语音特征，通过icassp2022_vocal_transcription项目提取音频midi note，将两者结合输入VITS替换原本的文本输入达到歌声转换的效果。
该midi方案目前暂时搁置转入dev分支，目前模型修改回使用 coarse F0输入
实现细节
- midi note（0-127 LongTensor）通过pitch_embedding后与soft-units相加替代vits原本的文本输入
- 使用midi而非f0似乎会导致模型音高不准 目前修改回使用F0
- 采用了VISinger中的PitchPredictor，引入了PitchLoss修正音高
- 似乎效果不是很明显，或许加的方式不太对