最近在折腾 UTAU，刚好在 B 站主页刷到了 Vocal2Midi 的介绍视频，品鉴了一下，感觉这个效果确实挺惊艳的，遂在这里分享一下。
Vocal2Midi 是一款基于 AI 推理的开源人声转 MIDI 工具，专为虚拟歌姬（UTAU / Vocaloid 等）工作流设计。相比传统手动扒谱或简单的音高提取工具，它在歌词对齐、音高识别和节奏还原上都有显著提升，能直接输出可编辑的 MIDI、UTAU 工程文件（USTX）以及歌词对齐辅助文件，大幅降低了“人声 → 虚拟歌姬”的门槛。
附上作者的演示视频
核心亮点
(copy至原视频的)
- 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。
- 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。
- 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。
- 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。
