一、音高提取的痛点，rmvpe为何成为争议中心。

身为原神二创多年的老玩家，我折腾过不少AI续写歌曲的软件，比如UVR5提取伴奏，SVC变声，还有各类扩散模型。最让我头疼的环节永远是音高提取。尤其当算法选择锁定在rmvpe时，很多人会直接崩溃，因为rmvpe对高音和低音的处理不够平滑，原神角色声线又极富特色，比如派蒙的尖细嗓子和钟离的沉稳低音，一旦音高曲线出现锯齿，续写出来的歌声就像喝了烈酒的吟游诗人，音准飘忽不定。但rmvpe的优势在于对复杂混音的鲁棒性，尤其在处理原神那种密集的和声片段时，它比传统算法更少出现鬼音。所以问题的核心不是换算法，而是怎么驯服它。

二、训练数据清洗是地基，别让杂音骗了模型。

很多新手拿到原神角色语音包就直接扔进rmvpe，这是大忌。原神语音里包含大量呼吸声、口型摩擦声，甚至技能施放时的环境音。rmvpe对于这类非周期信号的响应极其敏感，它会把这些噪音也当成音高特征来提取。我的做法是先用UVR5的mdx模型粗分离人声，再用ffmpeg手动截取干净句子，最后用GoldWave的噪声门把静音段底噪压到零。数据量不必贪多，五百到一千个干净音节足够，但一定要保证句尾的尾音完整，因为rmvpe在慢体上精度偏弱，尾音丢失会导致合成时出现突然断音。清洗之后我会用15分钟的温彻斯特教堂混响音频做一次白名单校验，确保没有异常的高频尖峰。

三、参数调教要抓三个关键，帧移和窗函数是核心。

rmvpe的默认参数是为普通流行歌曲设计的，对原神这种音色高度风格化的语音需要手动调整。第一是帧移参数，默认值通常是160采样点，我改为120，这样音高轮廓会更细腻，尤其能保留派蒙那种快速上滑的俏皮尾音，但代价是计算量增加，如果显卡显存低于4GB会爆内存。第二是窗函数类型，我选择汉明窗而非默认的布莱克曼窗，因为汉明窗的主瓣更宽，对非平稳信号有更强的压制能力，钟离那种喉音偏重的低频段会变得更稳定。第三是置信度阈值，默认0.8可以降低到0.65，让rmvpe输出更多候选音高值，然后通过后处理滤波剔除异常跳变。这个阈值需要用户手动听十几条样本，找到那个“刚好不破音又不发闷”的临界点。

四、后处理补救，能用人工绝对别信全自动。

即使参数调得再准，rmvpe输出的f0曲线依然会有毛刺和断裂。我的补救方案分三步。第一步是使用一张中值滤波器，窗口大小设为5，可以抹平孤立的异常尖峰，但保留真实颤音。第二步是手动补音，尤其原神角色唱到高亢段落时，rmvpe容易把第九度音程的跳跃错误识别为断音，这时我会用Melodyne软件手动绘制缺失段落的音高曲线，参考角色原声的语调和情绪。第三步是强制对齐，将提取好的f0序列与原始语音的梅尔谱进行互相关对齐，确保时域上每一帧的音高都落在该有的位置。这个方法对于温迪那种边唱边笑的句子尤其有效，笑声中的音高分裂会被平滑地融合进旋律。

五、实践案例，用娜维娅的《纯水骑士》验证效果。

近期我尝试用rmvpe续写娜维娅在枫丹主线最后那段即兴哼唱。娜维娅的音色带有明显的胸腔共鸣和偶尔的咽音转调，rmvpe在提取她结尾处的下行音阶时出现了三次跳脱，音高从A3直接跳到F4。我先是把训练集中她高音哼唱的片段增加了20%的权重，接着把帧移降到100采样点，最后用后处理中的动态时间规整再次拉齐。成品出来后几位朋友都表示听不出破绽，连她那种说唱介于演唱之间的独特气声都还原了。这说明rmvpe不是不能用，而是需要像给原神武器配圣遗物一样，耐心刷出对的参数组合。

结尾

技术问题往往像原神里的解谜机关，表面看是算法缺陷，实际是准备工作没到位。rmvpe在性能上已经足够成熟，差的只是对原神角色声学特性的针对性优化。我始终保留手动校准的耐心，因为AI续写歌曲不是让机器取代艺术，而是让机器听懂艺术家藏在音符里的情感。下次当你对着rmvpe生出的怪声败兴而归时，不妨从清洗数据开始试试，你会发现那个跑掉的音，其实一直在数据文件里等你把它找回来。