RVC 咬字插件

🍑 项目概述#

• RVC 咬字算法 是针对实时 RVC 变声场景设计的一项辅助优化功能，主要用于改善连续重复词语时可能出现的声母发虚、字音粘连、咬字逐渐模糊等问题。例如，连续说出「凤凰、凤凰、凤凰」时，原版实时推理在某些环境下可能出现后续字音不够清晰、发音衔接不自然的情况。
• 该算法并没有重新制作一套声码器，也不是专门修改「凤」「凰」等汉字的发音规则，而是调整实时推理过程中送入 HuBERT 特征提取环节的音频上下文。它使用用户提前录制的一小段未变声干声，构建固定的上下文锚点，让推理窗口左侧持续保留真实人声信息，降低音素因上下文不足或静音截断而出现不稳定的概率。
• 算法采用轻量的音频缓冲区处理方式，与原有 RVC 推理流程配合使用。固定前缀只参与特征提取上下文，不作为额外音频直接播放，因此正常情况下，预先录制的干声不会因为固定前缀机制而被直接播放出来。该机制改变的是推理时的上下文条件，而不是将干声与变声结果进行简单混音。不会有意将录制的干声混入最终变声输出。实际改善程度取决于原始人声、降噪情况、模型质量和实时推理参数。

⭐ 工作原理#

1. 原版实时 RVC 为什么可能出现口胡？

• 实时 RVC 并不是只分析当前刚刚输入的一小段声音，而是使用包含额外推理上下文、交叉淡化区域、SOLA 搜索区域和当前音频块的滑动缓冲区。
• 在原版实现中，缓冲区初始化时可能填充零值。随着实时音频持续输入，缓冲区不断移动，较早的音频逐渐被新输入覆盖。当刚开始说话，或者两个词之间存在很轻的停顿时，推理窗口左侧可能缺少足够的连续人声信息。
• 如果降噪门限又将轻微的气口或弱音清成静音，后续音节就可能在不够理想的上下文中进行特征提取。对于某些较短、较轻的声母，这种情况可能表现为发音不清晰、字音衔接异常或连续叠词越说越糊。

2. 咬字算法如何改善？

• 该算法使用用户提前录制的干声建立固定上下文锚点，并在每一帧正式推理之前，将指定的干声前缀重新固定到缓冲区左侧。
• 固定前缀主要占据额外推理上下文的前半部分，后半部分仍保留最近输入的真实语音信息。这样既能为 HuBERT 提供稳定的左侧人声参考，又能让当前正在说出的字继续参与本帧的特征提取。

🛠️ 使用说明#

下载好之后解压出来的文件直接放进RVC的根目录里面，提示替换文件替换即可

• 准备干声录音： 直接在RVC界面咬字算法中录制一段清晰、未经过 RVC 变声的真人声音。建议录音约 5 秒，避免严重削波、长时间静音和过重的降噪处理。
• 启用咬字算法： 在 RVC-GUI 中勾选「启用咬字算法」。
• 开始实时变声： 使用相同的模型和音频设备，分别测试算法关闭与开启时的连续叠词效果。
• 根据结果调整： 如果改善不明显，可以检查干声录音质量、降噪门限、缓冲区长度和实时推理配置，不建议仅凭单个词语的表现判断整体效果。

⚠️ 使用限制#

• 不能保证完全消除口胡： 该算法主要改善推理上下文不足可能造成的发音不稳定，不能保证所有模型、所有词语都能获得相同改善。
• 不能修复模型本身的发音缺陷： 如果模型没有学好某个音素，或模型训练数据存在明显缺陷，固定上下文不能代替重新训练或更换模型。
• 干声长度必须满足要求： 录音过短时可能无法形成有效上下文；如果录音短于实现规定的最低帧长，算法应拒绝使用该录音。
• 存在缓冲区长度限制： 如果额外上下文、交叉淡化、SOLA 搜索和当前音频块等参数超出上游 F0 缓冲区的容量，固定前缀可能被截断，导致算法效果失效或明显下降。
• 不会直接修复基频错误： 该机制针对的是送入 HuBERT 的音频上下文，不是专门修正 F0 或音高估计。音高异常仍需要从基频算法、模型和相关参数等方面排查。
• 效果取决于实际环境： 不同麦克风、降噪设置、采样率、模型及实时缓冲配置都可能影响最终表现。

咬字插件 离线版

Download