จาก Ultimate RVC สู่ CrimsonVC Studio

ก่อนหน้านี้ผมเคยใช้งาน Ultimate RVC ผ่าน Google Colab เพื่อสร้าง AI Cover และทดลองแปลงเสียง สิ่งที่ Ultimate RVC ทำไว้ถือว่าครบมาก ตั้งแต่แยกเสียงร้อง แปลงเสียง สร้างเสียงพูด ไปจนถึงฝึกโมเดลของตัวเอง

แต่เมื่อใช้งานจริงบน Colab บ่อย ๆ ผมอยากให้ขั้นตอนเริ่มต้นกระชับขึ้น ตัวเลือกสำคัญหาเจอง่ายขึ้น และสามารถเลือกได้ว่าจะเปิดเครื่องมือแบบเบาหรือเปิดสตูดิโอเต็มรูปแบบ จึงเริ่มพัฒนาต่อยอดออกมาเป็น CrimsonVC Studio

“

CrimsonVC Studio ไม่ได้สร้างระบบ RVC ขึ้นใหม่ทั้งหมด แต่เป็น product-focused distribution ที่พัฒนาบนฐานของ Ultimate RVC โดยยังรักษาความเข้ากันได้กับแพ็กเกจ ultimate_rvc ภายใน และให้เครดิตโครงการต้นทางตามสัญญาอนุญาต MIT

CrimsonVC Studio คืออะไร

CrimsonVC Studio เป็นสตูดิโอแปลงเสียงและฝึกโมเดล RVC ที่ออกแบบโดยให้ Google Colab เป็นจุดเริ่มต้นหลัก เหมาะกับคนที่ไม่มีการ์ดจอ NVIDIA แรง ๆ ในเครื่อง แต่อยากทดลองสร้าง AI Cover, แปลงเสียงพูด หรือฝึกโมเดลเสียงของตัวเองผ่านเบราว์เซอร์

ความสามารถหลักในเวอร์ชันปัจจุบันประกอบด้วย:

• สร้าง Song Cover ตั้งแต่แยกเสียงร้อง แปลงเสียง และมิกซ์กลับ
• แปลงไฟล์เสียงพูด หรือสร้างเสียงพูดก่อนส่งเข้าโมเดล RVC
• อัปโหลด ดาวน์โหลด จัดการ และส่งออกโมเดล .pth กับ .index
• ฝึกโมเดลใหม่หรือทำงานต่อจากโมเดลเดิม
• วิเคราะห์จำนวนคลิปและระยะเวลาของ Dataset ก่อนเริ่มฝึกจริง
• เลือก Preset สำหรับเสียงพูด เสียงร้อง หรือการทดลองแบบ Fast Draft
• บันทึกโมเดล Dataset และไฟล์ผลลัพธ์ไว้ใน Google Drive ได้
• ตั้ง Username และ Password ให้ลิงก์ Gradio ชั่วคราวได้

เลือกใช้ได้สองโหมด

ผมแยก Notebook ออกเป็นสองแบบ เพื่อไม่บังคับให้ทุกคนโหลดเครื่องมือทั้งชุดทั้งที่ต้องการแค่ทำ Cover

Cover Lite

เหมาะสำหรับการสร้าง AI Cover อย่างรวดเร็ว เปิดเฉพาะหน้า AI Cover และ Voice Models ใช้พื้นที่ชั่วคราวของ Colab และไม่ Mount Google Drive

เปิด CrimsonVC Cover Lite บน Google Colab

Full Studio

เหมาะสำหรับงานที่ต้องการเครื่องมือครบ ทั้งการแปลงเสียงพูด ฝึกโมเดล จัดเก็บไฟล์บน Google Drive และทดสอบโมเดลหลายรูปแบบ

เปิด CrimsonVC Full Studio บน Google Colab

สิ่งที่พัฒนาต่อจากประสบการณ์ใช้งานจริง

1. จัดหน้าจอใหม่ให้เริ่มต้นง่ายขึ้น

หน้า Gradio ใช้แนวคิด Progressive Disclosure ค่าที่แนะนำและงานที่ใช้บ่อยจะอยู่ด้านหน้า ส่วนตัวเลือกละเอียดจากระบบเดิมยังคงอยู่ใน Advanced options คนเริ่มต้นจึงไม่ต้องเจอกับค่าจำนวนมากพร้อมกัน แต่คนที่ต้องการปรับลึกก็ยังทำได้

2. Guided Training และ Preset ตามเป้าหมาย

หน้าฝึกโมเดลมีจุดเริ่มต้นสามแบบ:

ระบบจะปรับ Batch size และ Precision ตามฮาร์ดแวร์ที่ตรวจพบ เช่น T4 มักเริ่มด้วย FP16 ส่วน CPU fallback ใช้ FP32 ค่าเหล่านี้เป็นจุดเริ่มต้น ไม่ใช่การรับประกันว่าโมเดลจะออกมาดี เพราะคุณภาพและความสม่ำเสมอของ Dataset ยังสำคัญที่สุด

3. เลือกที่เก็บข้อมูลให้เหมาะกับงาน

• runtime_only ทำงานบนดิสก์ชั่วคราวของ Colab เหมาะกับการสร้าง Cover หรือทดลองสั้น ๆ
• google_drive เก็บโมเดล Dataset การตั้งค่า และไฟล์เสียงไว้ใช้ต่อในรอบหน้า

การแยกสองโหมดนี้ช่วยให้ผู้ใช้ไม่ต้องอนุญาต Google Drive หากไม่ได้ต้องการบันทึกข้อมูลระยะยาว

4. เก็บตัวเลือกสำหรับการทดลองโมเดล

CrimsonVC Studio ยังเปิดให้เปรียบเทียบส่วนประกอบหลายแบบ เช่น RMVPE, FCPE และ CREPE สำหรับ Pitch extraction รวมถึง ContentVec, Spin และ Spin-v2 สำหรับ Content representation โดยค่าเริ่มต้นยังเน้นความเข้ากันได้ก่อน ไม่เลือกของใหม่เพียงเพราะใหม่กว่า

สถานะของโปรเจกต์ตอนนี้

CrimsonVC Studio เวอร์ชันปัจจุบันคือ 0.1.0-alpha โค้ดมีชุดทดสอบแบบ CPU-safe มากกว่า 300 รายการตามข้อมูลใน Repository แต่ยังต้องผ่านการทดสอบ GPU แบบ end-to-end บน Colab ใหม่ทั้งหมดก่อนเรียกว่า Stable

สิ่งที่ยังต้องตรวจให้ครบ ได้แก่ การรันทุก Cell บน T4 ใหม่ การอัปโหลดโมเดล การสร้างเสียงสั้น การฝึกแบบ Fast Draft และการตรวจว่าไฟล์ใน Google Drive ยังอยู่หลัง Restart runtime

การระบุสถานะ Alpha ไว้ชัดเจนสำคัญกว่าการรีบเรียกโปรเจกต์ว่าสมบูรณ์ เพราะผู้ใช้จะรู้ว่าควรทดลองกับไฟล์สำรองและยังไม่ควรพึ่งพาในงาน Production

การใช้งานเสียงอย่างรับผิดชอบ

Voice Conversion เป็นเครื่องมือสร้างสรรค์ที่ใช้กับงานเพลง การพากย์ การเข้าถึง และการทดลองด้านเสียงได้ แต่ควรใช้เฉพาะเสียงที่ได้รับอนุญาต ไม่ใช้ปลอมตัวเพื่อหลอกลวง คุกคาม หรือสร้างความเสียหาย และควรระบุว่าเป็นเสียงสังเคราะห์เมื่อมีโอกาสทำให้ผู้ฟังเข้าใจผิด

โมเดลเสียงและ Dataset จากแหล่งอื่นอาจมีเงื่อนไขต่างจากตัวโปรแกรม ผู้ใช้จึงควรตรวจสิทธิ์ของไฟล์แต่ละรายการก่อนนำไปเผยแพร่หรือแจกจ่ายต่อ

ทดลองและติดตามโปรเจกต์

• Source code: DDME36/CrimsonVC-Studio
• โครงการต้นทาง: JackismyShephard/ultimate-rvc
• บทความเดิม: สอนทำ AI Cover ด้วย Ultimate RVC

สำหรับผม CrimsonVC Studio เป็นโปรเจกต์ฝึกพัฒนาที่ได้เรียนรู้ทั้ง Python, Gradio, Audio ML, การจัดการ Dependency และการออกแบบ Workflow บน Colab เป้าหมายต่อไปคือทำ GPU smoke test ให้ครบ เก็บภาพหน้าจอจากการใช้งานจริง และค่อยปรับจาก Alpha ไปเป็นรุ่นที่พร้อมให้คนอื่นทดลองได้มั่นใจขึ้น