一首歌只换歌词不换旋律，5步全自动搞定

把一首歌的歌词换掉，旋律一个音都不改——这个需求听起来简单，做起来却踩穿了音频处理、MIDI 编码、歌声合成三个领域的坑。本文记录一次完整的实战：以成龙《醉拳》为素材，把歌词改成「怕老婆叨叨版」，用一条 5 步 Python 流水线全自动跑通。

文章不只讲「怎么做」，更讲「为什么这样做」——每一个坑的根因、每一种技术方案的取舍边界、以及「保留旋律」这四个字背后隐藏的物理约束。如果你也想做歌曲改词翻唱，这篇能帮你少走至少两周弯路。

一、需求拆解：保留旋律改歌词，到底难在哪

先说结论：「保留旋律改歌词」本质上是一个「音高时序不变、音色重生成」的问题。听起来只是一个文本替换，但它牵涉到三个层次的技术挑战。

第一层是分离。一首完整的歌是人声和伴奏混在一起的。要改人声的歌词，得先把人声单独拆出来，伴奏原封不动保留。这靠的不是简单的高通低通滤波，而是深度学习模型对频谱的精准建模。

第二层是旋律提取。人声拆出来后是一段音频波形，波形里没有「歌词」这个概念，只有频率和振幅随时间的变化。要把歌词替换掉，得先把这段波形翻译成机器能编辑的结构化数据——MIDI。MIDI 记录的是每个音的音高、起止时间、力度，但不记录「唱的是什么字」。

第三层是歌声重合成。新歌词塞进 MIDI 后，还需要把带歌词的 MIDI 重新唱出来。这一步是整个流水线里选择最多、限制也最多的一步——用虚拟歌姬？用 AI 声音克隆？还是用 Suno 这类大模型重新生成？每种方案的音色还原度、操作复杂度、版权风险完全不同。

二、流水线全景：5 步从原曲到新歌

整个流水线由 5 个 Python 脚本串接，每一步的输出是下一步的输入，中间产物全部落盘到 output 目录，方便单步调试和断点续跑。

五步的技术栈分别是：Demucs（Meta 开源的人声分离模型）、basic-pitch（Spotify 开源的音高提取模型）、pretty_midi + mido（MIDI 读写库）、Synthesizer V / Suno API（歌声合成）、FFmpeg（音频合并）。全部本地可跑，只有 Suno 备选方案需要联网调 API。

实战案例选了成龙《醉拳》——这首歌节奏鲜明、人声清晰、音域适中，适合做技术验证。新歌词 368 字，原曲 MIDI 提取出 343 个音符，两者字数对齐是第三步歌词注入的核心挑战。

三、第一步人声分离：Demucs 拆出纯人声

Demucs 是 Meta（Facebook AI Research）开源的音源分离模型，能把一首歌拆成人声、鼓、贝斯、其他四个音轨。我们只需要人声和伴奏两个，但 Demucs 默认四轨全输出，取 vocals 和剩下三轨混合即可。

# 01_separate.py 核心逻辑
from demucs.separate import main as demucs_main

demucs_main([
    "--two-stems", "vocals",  # 只分人声和伴奏两轨
    "-n", "htdemucs",          # 用最新模型
    "-o", output_dir,
    input_audio
])
# 产物：vocals.wav（纯人声）+ no_vocals.wav（纯伴奏）

这一步的坑不在代码，在依赖安装。Demucs 的 PyPI 包有两个隐形依赖不会自动装：julius（因果卷积库）和 huggingface-hub（模型下载器）。缺了前者，import 直接报 ModuleNotFoundError；缺了后者，模型下载阶段卡住。正确装法：

pip install demucs julius huggingface-hub

四、第二步人声转 MIDI：basic-pitch 提取旋律

basic-pitch 是 Spotify 开源的轻量级音高追踪模型，能把单旋律音频（人声、乐器独奏）转成 MIDI。它的优势是速度快、不需要 GPU、对歌唱人声的识别准确率在 90% 以上。

from basic_pitch.inference import predict_and_save

predict_and_save(
    output_dir,
    ["vocals.wav"],
    save_midi=True,
    sonify_midi=False,
    save_model_outputs=False,
    save_notes=False
)
# 产物：vocals.mid，包含音高、起止时间、力度

这里的坑比 Demucs 更深。basic-pitch 依赖 resampy 库做重采样，而 resampy 内部用了 pkg_resources——这个模块在 setuptools 83.0 以上版本被移除了。如果你用的是较新的 Python 环境（setuptools >= 83），import basic-pitch 会直接崩。

转出来的 MIDI 文件，用 pretty_midi 读取后会得到一个 instrument，里面有若干个 note，每个 note 有 pitch（音高，MIDI 编号 0-127）、start（开始时间，秒）、end（结束时间，秒）、velocity（力度）。这些 note 就是歌词要注入的「槽位」——每个 note 对应一个音节，一个字。

五、第三步歌词注入：中文编码的生死突围

这是整个流水线技术含量最高、踩坑最深的一步。目标很清晰：把新歌词的每个字，按顺序填进 MIDI 的每个 note 里。MIDI 标准里，note 的「歌词」是存在 meta message 的 lyrics 字段里的。但就是这一个字段，差点让整个流水线报废。

5.1 字数对齐：368 字塞进 343 个音符

新歌词 368 字，MIDI 提取出 343 个音符。差 25 个字，怎么对齐？这不是简单截断能解决的——歌词有断句、有拖音、有衬词（「啊」「哦」），硬塞会导致音节和音高错位，听起来像乱码。

实战解法是音节映射策略：先按空格和标点把歌词切成词组，再按音节数把词组分配给音符簇。遇到字数多于音符的情况，把多出的字合并到相邻音符上（一个音符唱两个字）；字数少于音符的情况，用空拍或延长音补齐。这个过程 03_modify_lyrics.py 自动处理，但对纯中文歌词（没有空格分词）效果一般，需要人工微调断句。

5.2 致命陷阱：mido 的 latin-1 编码

歌词对齐后，往 MIDI 写入中文时，mido 库直接抛出 UnicodeEncodeError: 'latin-1' codec can't encode characters。根因在 mido 的源码深处：它把所有 meta message 的字符串都用 latin-1 编码成字节——这个编码只支持 0-255 的拉丁字符，中文 Unicode 码点远超此范围。

翻遍 mido 文档没有配置项可以改编码。唯一的出路是 monkey-patch（运行时替换）——在 import mido 之后、使用之前，把它的编码函数偷换成 UTF-8 版本：

import mido

# === 关键 hack：强制 mido 用 UTF-8 编码字符串 ===
# mido.charset 默认是 'latin-1'，不支持中文
# 直接替换模块级常量，所有后续编码都走 UTF-8
mido.midifiles.meta.setattr('charset', 'utf-8')

# 更稳的做法：替换 _encode_string 和 _decode_string
def _encode_string(text):
    return text.encode('utf-8')

def _decode_string(data):
    return data.decode('utf-8', errors='replace')

mido.midifiles.meta._encode_string = _encode_string
mido.midifiles.meta._decode_string = _decode_string
# 至此，中文歌词可正常写入 MIDI

5.3 歌词对照：从醉拳到叨叨

实战案例的歌词改写思路是「保留原曲节奏感，内容从武侠豪情转为家庭幽默」。截取副歌第一句对照：

字数完全对齐，音节结构相近，注入 MIDI 后旋律不跑调。这种「语义对仗 + 字数一致」的改写策略，是歌词替换不违和的关键。

六、第四步歌声合成：虚拟歌姬与原声线的真相

带歌词的 MIDI 做好了，下一步是让它「唱出来」。这一步是方案分歧最大的一步，也是「保留旋律」这个需求最容易翻车的一步。

三种主流方案的对比如下：

6.1 Synthesizer V：质量最高但无 CLI

Synthesizer V（简称 SV）是当前最强的虚拟歌姬引擎，音质逼真、中文支持好。问题是它只有 GUI，没有命令行接口，无法自动化。免费版已下架，Studio 版需付费。在流水线里，这一步只能人工导入 MIDI、选声库、导出音频，是全自动流程里唯一的「人肉断点」。

6.2 Suno API：能自动化但会跑调

Suno 是当前最火的 AI 音乐生成大模型，有 API 可调。但用它做「保留旋律改歌词」有个致命问题：Suno 的 Cover 模式（上传原曲+新歌词）会被版权指纹系统拦截。绕过方式是用 custom_mode 直接传歌词让它重新生成——但这样一来，旋律就是 Suno 重新作的，不是原曲的。

# 04_synthesize.py 中的 Suno 备选方案
payload = {
    "custom_mode": True,           # 绕过 Cover 模式的版权检测
    "prompt": "",                  # 不用风格提示，避免重作曲
    "lyrics": new_lyrics,          # 新歌词内容
    "title": "醉拳叨叨版",
    "make_instrumental": False
}
# 注意：custom_mode 下 Suno 会重新生成旋律
# 无法保证与原曲旋律一致，这是 Suno 方案的硬伤

6.3 终极方案：So-VITS-SVC 声音克隆

如果一定要「既保留旋律、又保留原歌手声线」，技术路径是：Synthesizer V 合成虚拟歌姬演唱 → So-VITS-SVC 把虚拟声线转换回原歌手声线。这需要用原歌手的纯人声数据训练一个声线模型，训练需要 GPU（至少 8GB 显存）和 10-30 分钟的纯净人声素材。

七、第五步合并与实战反思：从跑通到好用

最后一步最简单：用 FFmpeg 把新合成的歌声和第一步分离出的原伴奏合并成完整歌曲。

# 05_merge.py 核心命令
ffmpeg -i new_vocals.wav -i no_vocals.wav \
  -filter_complex "[0:a]volume=1.2[a1];[1:a]volume=0.9[a2];
  [a1][a2]amix=inputs=2:duration=longest" \
  -acodec libmp3lame -q:a 2 output.mp3
# volume 调整人声和伴奏比例，amix 混音

合并时的关键参数是人声和伴奏的音量比例。原曲混音时人声通常略大于伴奏，翻唱合成的人声偏「干净」缺乏混响，需要适当提亮（+1.2 倍）并给伴奏降一点（0.9 倍），听感才平衡。如果合成的歌声干涩，可额外加 aecho 或 aformat 滤镜做简单混响。

7.1 质量评估：三个维度

跑通流水线后，从三个维度评估成品质量：

7.2 改进方向

这条流水线跑通了，但离「好用」还有距离。三个可改进的方向：

第一，歌词对齐自动化。当前中文歌词断句靠人工，可引入拼音分词 + 音节计数，让脚本自动把中文字符映射到 MIDI 音符簇。难点在于中文一字一音节，但 MIDI 音符有拖音和连音，需要区分「一个字占两个音符」和「两个字占一个音符」。

第二，Synthesizer V 自动化。SV 没有 CLI 是全自动流程的唯一断点。可以用 AutoHotkey 或 pyautogui 做 GUI 自动化脚本，模拟导入 MIDI、选声库、导出音频的操作。但 SV 的 UI 结构复杂，脚本脆弱性高，版本更新易失效。

第三，声线还原闭环。接入 So-VITS-SVC 做声音转换，让最终成品保留原歌手声线。这需要额外搭建 SVC 训练和推理环境，GPU 是硬门槛。没有 GPU 的环境，只能接受虚拟歌姬声线或用 Suno 重生成。

7.3 成本与收益

回到开头的问题：一首歌只换歌词不换旋律，5 步能不能搞定？答案是能跑通，但每一步都有它的脾气。Demucs 的依赖缺失、basic-pitch 的 setuptools 冲突、mido 的中文编码、Synthesizer V 的无 CLI、Suno 的版权拦截——这五个坑，每一个都能让流水线停摆。但只要跨过去，你就有了一条可以从任何歌曲生成改词翻唱的自动化产线。

更重要的是，这条产线的每一步都是可替换的模块。Demucs 可以换成 Spleeter，basic-pitch 可以换成 SPICE，Synthesizer V 可以换成 ACE 虚拟歌姬，Suno 可以换成其他音乐大模型。理解了每一步「做什么」和「为什么这么做」，技术的更新换代不会让这套方法失效——你只是在换零件，不是换引擎。

参考资料

1. Meta AI Research, «Demucs: Hybrid Spectral and Waveform Domain Music Source Separation», GitHub: facebookresearch/demucs https://github.com/facebookresearch/demucs
2. Spotify Research, «basic-pitch: A lightweight pitch tracking model», GitHub: spotify/basic-pitch https://github.com/spotify/basic-pitch
3. mido: MIDI Objects for Python, Read the Docs https://mido.readthedocs.io/
4. Dreamtonics, «Synthesizer V Studio», 官方网站 https://dreamtonics.com/synthesizerv/
5. Suno API 文档，Suno Inc. https://docs.suno.ai/
6. FFmpeg Filters Documentation https://ffmpeg.org/ffmpeg-filters.html