【免费下载链接】skills开源了Codex Skills等集合大部分是自己实际需要搞得需要的自取。欢迎star项目地址https://gitcode.com/gh_mirrors/skills24/skills点击查看免费下载voice-changer 是 skills 开源项目中基于 RVC 的 AI 变声工具它的核心原理是「HuBERT 特征提取 RVC 模型推理」先用 HuBERT 把语音编码成神经网络特征再由 RVC 模型完成真实音色转换而面对长音频它通过「30 秒分块 2 秒重叠」的自动分块策略逐段推理再合并从根本上避免了内存溢出OOM问题。本文面向新手用尽量少的代码把整条变声流水线讲清楚。一键变声整体流程长什么样一条命令就能触发完整流水线python3 voice-changer/scripts/voice_change.py input.mp3 -v rvc_female入口脚本 voice_change.py 会先读取 voice_config.json 里的声音预设再按音频时长选择处理路径整体流程如下输入音频 → 判断时长 → (长音频自动分块) → HuBERT 特征提取 → F0 基频提取 → RVC 模型推理 → 分段合并 → MP3 输出关键点在于超过 60 秒的音频会自动切换到分块模式短音频则直接走单次推理。这个 60 秒的判断位于 voice_change.py#L314-L327。HuBERT 特征提取模型如何听懂你的声音RVC 变声的第一步不是处理声波而是处理语义特征。具体做法在 rvc_infer_real.py 中音频先被重采样到16000 HzHuBERT 的标准输入采样率见 rvc_infer_real.py#L197-L207加载hubert_base.pt约 600MB 的预训练模型通过 RVC 官方的get_hubert_model函数完成加载HuBERT 把一段语音转换成一序列特征向量——这些向量描述的是这段话说了什么、怎么说的而不是单纯的音高。 这正是 RVC 变声和普通变声器的本质区别普通变声只做音高偏移pitch shiftHuBERT RVC 是真正的音色转换能改变嗓音质感甚至跨语言合成。HuBERT 模型文件的获取方式写在 RVC_MODEL_GUIDE.md 中。RVC 模型推理从特征到目标音色的最后一步拿到特征后进入真正的 RVC Pipelinervc_infer_real.py#L229-L251步骤作用关键参数① HuBERT 特征提取提取语音表示hubert_base.pt② F0 基频提取得到每一帧的音高曲线f0_method: harvest③ 音高偏移按半音数整体升降调f0up_key如 4 变女声④ RVC 模型推理用目标音色模型重构语音kohane.pth等 .pth 模型推理时脚本会根据模型版本和是否带 F0 自动选择对应的合成器类如SynthesizerTrnMs768NSFsid见 rvc_infer_real.py#L117-L126最终输出 40000 Hz 的目标采样率音频。几个对新手有用的参数均可在 voice_config.json 中配置f0up_key音高偏移半音数。正值变女声如rvc_female为 4负值变男声如rvc_male为 -12index_path/index_rate可选的索引文件用于提升音质但会占用更多内存默认策略是暂时禁用以节省内存rms_mix_rate默认 0.25混入原始音量包络让响度更贴近原声。长音频分块避免 OOM 的核心设计为什么长音频必须分块因为 HuBERT 和 RVC 推理都是把整段音频一次性载入内存做矩阵运算——一段 15 分钟的音频如果整段推理内存占用会随时长线性甚至超线性增长极易触发 OOM内存不足被系统杀进程。分块方案实现在 rvc_process_long.py思路很朴素也很有效1️⃣ 切分30 秒一段 2 秒重叠split_audio函数rvc_process_long.py#L21-L53以 30 秒为步长切片相邻两段故意保留 2 秒重叠。重叠的作用是保证跨边界的音节不会被从中间硬切断听起来更连贯。2️⃣ 逐段推理每段独立子进程每一段都会先写入临时 WAV再以独立子进程方式调用rvc_infer_real.py推理超时 300 秒。子进程隔离带来两个好处每段推理结束内存立即释放峰值内存只与30 秒有关与总时长无关任何一段失败都不会污染主进程且失败时不降级为假变声直接报错并清理所有临时文件。3️⃣ 智能合并去掉重叠部分merge_audio_segmentsrvc_process_long.py#L55-L109把各段按序拼接从第二段开始裁掉前 2 秒重叠区避免同一句话被播放两遍最后若输出为 MP3会用 ffmpeg 重采样到 48000 Hz 并以 192k 比特率编码。⚠️ 历史版本曾在这里出过音频重复的 bug合并时没有裁掉重叠区已在 v1.5.0 修复详见 CHANGELOG.md。性能参考与配置建议官方 README.md 给出了 Apple Silicon M1 纯 CPU 环境下的实测数据音频时长处理方式耗时 60 秒直接 RVC 推理~10–30 秒 60 秒自动分块 RVC15 分钟音频约 3–5 分钟875 秒约 15 分钟分块为 32 段~15 分钟给新手的三点配置建议Python 环境RVC 对 Python 版本敏感项目内置了 Python 3.10 虚拟环境models/rvc_env_310/脚本会优先自动使用它依赖可通过 install_dependencies.sh 一键安装声音预设内置了rvc_female、rvc_male及多款中文女声预设御姐、七妹、苏苏等在 voice_config.json 中按method: rvc配置即可内存吃紧时减小分块时长修改chunk_duration、禁用index_path是最直接的两个手段。总结voice-changer 的技术栈可以浓缩成一句话HuBERT 负责听懂harvest 负责量音高RVC 模型负责换嗓子分块策略负责别爆内存。短音频单次 RVC 推理快速出结果长音频30 秒分块 2 秒重叠 逐段子进程推理 去重叠合并峰值内存恒定彻底规避 OOM。更多细节可阅读 SKILL.md 与 RVC_MODEL_GUIDE.md如需体验完整 skills 集合可克隆仓库git clone https://gitcode.com/gh_mirrors/skills24/skills后按需自取。赞分享【免费下载链接】skills开源了Codex Skills等集合大部分是自己实际需要搞得需要的自取。欢迎star项目地址https://gitcode.com/gh_mirrors/skills24/skills点击查看免费下载相关推荐音频特征提取kbd-audio如何从声波中提取关键信息音频特征提取kbd audio如何从声波中提取关键信息 你是否想过敲击键盘的声音也能泄露信息kbd audio项目通过声学分析技术实现了从键盘敲击声中提网络安全音频应用安全PaddleSpeech 音频 Delta 特征提取add_deltas 模块原理与实战指南PaddleSpeech 音频 Delta 特征提取add_deltas 模块原理与实战指南 PaddleSpeech 在 paddlespeech/audi语音音频人工智能深度学习RVCRetrieval-based-Voice-Conversion-WebUI模型训练全流程指南从音频预处理、f0/HuBERT 特征提取到正式训练RVCRetrieval based Voice Conversion WebUI模型训练全流程指南从音频预处理、f0/HuBERT 特征提取到正式训练人工智能深度学习语音音频AI 应用微调上一篇Monica架构解析Jetpack Compose Room Koin Rust JNI全栈实现原理下一篇用 Maya 打造品牌营销片的完整工作流从 iPhone 录屏到 1080p 竖屏 Reels创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考