MaxMax2016

好的，收到

嗯嗯，只是这里计算出来的叫均值和方差

预训练模型训练好之后，会去做测试

是的，要用uvr5分离

因为刚开始训练的时候，encoder还学的不好。encoder和diffusion都在拟合mel谱图，没有diffusion encoder也可以独立工作，整合系统甚至可以把diffusion完全删除也是可以的。等encoder学好了，在加入diffusion训练，可以节约训练时间。diffusion训两百个epoch可以看到效果。

256是声纹向量的维度

单卡，改用多卡要调学习率的吧

电音是由于mel的模糊导致的；从hubert到mel，模型的建模能力不够就会导致mel丢失细节，从而产生电音。wavLM没有试过。

基于完全开源的数据：https://github.com/Multi-Singer/Multi-Singer.github.io

sorry, this project is SVC.