使用 AI 推理一键获取人声 MIDI：Vocal2Midi 项目体验

核心亮点#

(copy至原视频的)

1. 从原始人声直接产出 MIDI / USTX / 对齐辅助文件：无需手动逐字对轨，一步生成虚拟歌姬可用的工程文件。
2. 良好的汉语普通话与日语歌词灌注支持：对中文和日文歌曲的歌词识别与对齐效果优秀，减少了后期修词工作量。
3. 支持使用现有歌词文件进行匹配，增强识别准确率：如果你已有歌词文本，可以直接导入进行强制对齐，进一步提升转写精度。
4. 较低的配置需求，兼容市面主流配置：虽然内置了大模型，但推理效率经过优化，主流中端显卡即可流畅运行。

实际体验#

vocal2midi使用了Qwen3-ASR-1.7B和GAME-1.0.3-medium的模型，全部解压完后吃了我10.2G的空间，占用还蛮大的其实。

实际体验下来，生成的人声MIDI只需稍作修改就能达到合格甚至更好的标准，错音、词不对的现象很少见，效果比 X Studio 和 ACE Studio 的人声提取要强太多了。

使用的话也很简单，准备好干声和歌词，无脑填进软件即可。 然后一键推理，放松一下大脑，拿文件，完事。

我用的显卡是 RTX 4070，测试结果贴下面了，供参考：

• 测试音频：一首约 4 分钟的歌曲（若能化为星座）
• 显卡：NVIDIA RTX 4070
• 推理耗时：约 32 秒

这个速度体感还是非常快的，比想象中快不少，演示视频过会在贴这里吧。

附上项目地址：https://github.com/Xiantaidu/Vocal2Midi