Fast-VC
基于 Seed-VC 的实时流式语音转换服务，通过 WebSocket 将音色转换能力接入语音应用，提供音频缓冲、会话管理和多 Worker 部署支持。
在线文档： 访问 Fast-VC 文档网站，查看快速开始、配置部署、API 接入和故障排查指南。
1. 项目用途与核心能力
Fast-VC 面向希望把持续输入的语音转换为指定参考音色、再接回语音应用的开发者。它在 Seed-VC 推理能力之上提供服务接口和流式处理流程。
- 持续收发音频：通过 WebSocket 边发送边接收，支持标准协议和简单协议。
- 音频格式适配：接收 PCM 或 Opus，返回单声道 16-bit PCM，可指定输出采样率。
- 流式转换链路：音频分块、VAD、上下文保留、可选音高调整与语义检索、音量混合和 SOLA 拼接。
- 服务部署：按配置加载模型和参考音色，支持多 Worker、设备列表与不同端口的多实例。
- 会话与分析：保存输入/输出和时间线，提供健康检查、版本与会话数据接口，以及离线分析工具。
参考音色在服务启动时配置并由 Worker 复用，当前没有逐请求上传参考音频的接口。内部工作流程见总体设计。
2. 音频样例
仓库提供以下输入与参考音频，可用快速开始生成转换结果并对照试听：
| 角色 | 文件 |
|---|---|
| 源音频 | 男声样例 · 女声样例 |
| 默认参考音色 | 参考音频 |
| 转换结果 | 运行下方示例后保存在 outputs/quickstart |
这里提供的是复现输入，尚未附带与当前版本绑定的转换结果合集。效果比较时应记录模型、配置和参考音频；方法见评测指南。
3. 运行要求与范围
- 快速开始采用 Linux、NVIDIA CUDA、Python 3.10 和 uv。历史性能报告记录了 NVIDIA GPU 结果；显存需求随模型与 Worker 数变化。
- 需要 Opus、音频文件读写等系统依赖，首次启动可能下载模型。
- 默认配置使用 cuda:0、2 个 Worker、tiny 模型和仓库参考音频。Windows 原生及 CPU 实时性能没有当前验证保证。
- 当前内置 api_key 仅检查非空；外部访问需由部署层提供认证和访问控制。默认会保存会话音频，部署时按用途配置。
详见配置与部署。
4. 快速开始
先按快速开始安装系统与 Python 依赖、克隆仓库及子模块并准备 .env，然后在仓库根目录启动：
uv run fast-vc serve -c configs/prod.yaml启动前按实际硬件调整 configs/prod.yaml 的 device 和 workers。等待模型初始化，在另一个终端进入仓库根目录：
curl http://localhost:8042/health
uv run python examples/websocket/simple_protocol_ws_client.py \
--source-wav-path resources/srcs/male-0-16khz.wav \
--output-wav-dir outputs/quickstart \
--encoding PCM \
--samplerate 16000 \
--url ws://localhost:8042/ws检查终端的 Output saved to 路径和 outputs/quickstart 中生成的 WAV。此示例使用简单协议、PCM 输入和 16000 Hz PCM 输出；需要 Opus、22050 Hz 输出或并发时，按完整快速开始使用标准客户端。
5. 历史性能参考
以下摘自 v0.1.0 报告：Seed-VC v1.0 tiny、16 kHz / 16-bit PCM、500 ms 推理块、10 个扩散步。它们不是当前版本重测结果，不能直接外推部署容量。
| GPU | 并发 | Worker | 报告中的平均 chunk 延迟（ms） | 报告中的平均 RTF |
|---|---|---|---|---|
| RTX 4090D | 1 | 6 | 105.0 | 0.21 |
| RTX 4090D | 12 | 12 | 216.6 | 0.44 |
| GTX 1080 Ti | 1 | 6 | 252.2 | 0.50 |
原始记录：4090D（2025-06-15）、1080 Ti（2025-06-14）、全部报告。
模型处理耗时、首包等待、尾部收发差值和包含采集播放的端到端时延有不同含义。重新测量前请阅读指标口径与限制。
6. 使用与开发文档
| 目标 | 入口 |
|---|---|
| 安装并完成首次转换 | 快速开始 |
| 接入语音应用 | 语音转换 · 系统接口 · 会话数据 |
| 调整模型、音色与部署 | 配置与部署 |
| 排查问题与评估效果 | 故障排查 · 评测 |
| 理解实现与参与贡献 | 设计 · 贡献指南 |
| 浏览用户文档 | 文档索引 |
7. 版本动态
仓库包版本为 0.1.7。该版本的主要变化包括 CFM 时间步安排、22.05 kHz 模型后处理输出及可配置的 WebSocket 输出采样率，详细内容见版本历史。
GitHub Releases · 每日工程变更 · 已确认待办
8. 问题与贡献
欢迎通过 Issues 提交可复现的问题和建议，或按贡献指南提交改进。报告问题时说明版本、环境、配置、输入格式与复现步骤。
9. 许可证与致谢
本项目代码采用 GPL-3.0。所选模型权重与音频素材的使用条件应分别查看其来源说明。