1. 环境准备：避开Python依赖的"天坑"
搞AI项目最头疼的就是环境配置，MockingBird也不例外。我花了三天时间踩遍了所有坑，总结出这套百分百可复现的安装方案。首先声明：必须使用Python 3.9，其他版本会出现torch版本冲突。就像做蛋糕必须用低筋面粉，用错类型整个项目都会塌方。
1.1 创建专属虚拟环境
推荐使用conda而不是原生Python，就像装修时先搭脚手架：
conda create -n mockingbird python=3.9 conda activate mockingbird这个环境要全程保持激活状态，就像游戏存档不能中途断电。我遇到过有人忘记激活环境，装了一堆包到系统Python里，最后只能重装系统。
1.2 精准安装PyTorch组合包
PyTorch版本就像钟表的齿轮，错一个齿整个系统停摆。实测稳定的组合是：
pip install torch==1.9.0+cu111 torchvision==0.10.0+cu111 -f https://download.pytorch.org/whl/torch_stable.html注意这个cu111表示CUDA 11.1版本，如果你显卡驱动不是这个版本（通过nvidia-smi查看），要去官网找对应组合。有次我给RTX 3090装错成CUDA 10.2版本，训练时显存直接爆到24GB。
2. 项目部署：从克隆到启动的完整链路
2.1 克隆项目的正确姿势
不要直接git clone主分支！这个项目v0.0.1版本最稳定：
git clone -b v0.0.1 https://github.com/babysor/MockingBird.git cd MockingBird我见过有人用最新分支结果音频全是杂音，回退版本才解决。就像老式收音机，有时候不是坏了，只是调频没对准。
2.2 依赖安装的隐藏关卡
除了常规的requirements.txt，还有几个隐藏BOSS要打：
pip install webrtcvad-wheels==2.0.10 # 语音活动检测核心 apt-get install ffmpeg # 音频处理瑞士军刀ffmpeg安装有个坑：Windows系统需要手动添加环境变量。有次我折腾两小时才发现ffmpeg没加入PATH，就像有了钥匙但找不到钥匙孔。
3. 模型配置：让AI学会你的声音
3.1 预训练模型的神秘仪式
百度网盘下载的saved_models要像这样摆放：
MockingBird/ └── synthesizer/ └── saved_models/ ├── pretrained/ │ └── checkpoint └── ceshi/ └── checkpoint这个目录结构就像乐谱，放错位置整个交响乐就乱套。我帮人调试时发现他把模型放在downloads文件夹，还问我为什么报错...
3.2 字符集修改的生死劫
打开synthesizer/utils/symbols.py，找到这行代码：
#_characters = 'ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz1234567890!?., ' _characters = 'abcdefghijklmnopqrstuvwxyz1234567890!?., '这个修改相当于把英文键盘换成中文输入法。有次我忘记改这个，合成的中文全是乱码，像外星人说话。
4. 音质调优：从能听到好听的进化论
4.1 参数调节的黄金组合
在GUI界面发现这三个神器：
- Enhance vocoder output：相当于美颜相机的"一键磨皮"
- Style(0-100)：数值越大越像新闻播音员（建议60-80）
- Accuracy(0-100)：数值越大越字正腔圆（建议40-60）
实测最佳组合是：勾选Enhance + Style=75 + Accuracy=50。就像炒菜的火候，太大太小都不行。
4.2 波形图诊断秘籍
点击"Synthesize only"后看左下角波形图：
- 理想状态：像心电图一样有清晰脉冲
- 问题波形：连绵不断的山丘状（说明吐字不清）
有次我遇到波形像直线，才发现麦克风根本没接通。这就像医生看CT片，波形就是声音的X光。
5. 实战技巧：老司机的私藏工具包
5.1 录音设备的玄学
建议用手机录音再导入，因为：
- 普通电脑麦克风底噪太大
- 采样率建议16kHz（CD质量是44.1kHz）
- 安静环境比降噪算法更管用
我用过2000元的专业麦克风，发现效果还不如iPhone录音。就像米其林大厨用普通锅也能做出美味。
5.2 音频格式的终极转换
遇到m4a文件时，不要用在线转换！推荐本地工具：
ffmpeg -i input.m4a -ar 16000 -ac 1 output.wav这个命令把采样率降到16kHz并转单声道。有次朋友用在线工具转换，结果文件头信息错误导致程序崩溃。
