第一段 问题来源与玩家痛点

作为玩了三年多原神的老玩家，我最近迷上了用AI续写胡桃的唱段，但每次输出总带着一股“电音味”或者音准飘忽。折腾半天才发现罪魁祸首是音高提取算法，默认的crepe和pm都试过，最后还是锁定了rmvpe。rmvpe虽然号称能抗混响和噪声，但在原神这种角色歌声往往带有大量颤音和气息变化的场景里，直接输出常常跑调，尤其是高音区“啊”字尾音会突然断掉。我翻遍社区教程，发现很多新人直接卡在这个环节，所以决定以实战经验聊聊怎么把rmvpe调教成听话的工具。

第二段 rmvpe的核心特性与常见陷阱

rmvpe全称可微分维特比音高估计算法，它用深度神经网络来跟踪基频，优势在于对嘈杂环境下的连续语音很稳定，但缺点是过度平滑了音高曲线。原神角色歌声本身就有很强的表现力，比如钟离的低沉叙述和可莉的跳跃童声，rmvpe会把这些微妙波动抹成一条直线。更麻烦的是，当歌曲里出现转音或者花腔时，rmvpe常把两个相邻音符之间的滑音误判为一个稳定音高，导致生成出来的旋律显得“呆板”。我试过直接用它跑《神女劈观》的降调版，结果“可叹”两个字直接连成同一个音，完全失去了原曲韵味。

第三段 参数调优：从采样率到窗长

解决之道第一步是动参数。rmvpe默认的采样率是16000赫兹，但原神官方音频通常为44100或48000，直接降采样会丢失高频细节。我一般先升采样到44100再喂给rmvpe，同时把hop_length从默认的160改成80，这样音高提取的点数翻倍，能捕捉到更细微的抖动。但注意窗长太大反而会引入噪声，所以我用hann窗口并将窗口长度设为1024。另外还有一个关键参数“fmax”，原神角色女声最高音大概在c6左右，我把上限设在1047赫兹，避免高音区误判成倍频。这些数值不是死的，比如处理魈这种低音角色，可以把fset偏移调高零点几个半音来补偿。

第四段 后处理：用滤波和手动修正挽救细节

参数调完还不够，rmvpe输出的音高曲线仍然有毛刺，尤其是换气瞬间。我习惯接一个中值滤波，窗口大小设在5帧，能把零散的跳点磨平。但滤波不能过度，否则又会丢失动态，所以只针对音量低于-20db的无声片段做处理。更进阶的方法是手动标注问题段落。我用音频编辑器打开rmvpe生成的f0文件，遇到明显跑调的地方就直接拉回正确音高，比如“风起”这种字头重音后的滑落，手动画一个平滑过渡。这活儿费时，但能保留原神的唱腔灵魂。

第五段 结合其他算法做交叉验证

单一算法总有盲区，我常用的组合是rmvpe加crepe进行投票。具体做法是同时跑一遍rmvpe和crepe的tensorflow版，对每个时间点取两个算法结果的中值，这样既能避免crepe在低信噪比下的乱跳，又能缓解rmvpe的过度平滑。注意两个算法的帧对齐要一致，我通常把它们都升采样到相同分辨率再融合。对于特别模糊的乐段，比如原神歌曲里同时有伴奏和角色合唱，我会暂时切出rmvpe，改用pypm算法结合谐波乘积谱来提取主导音高，因为那种情况下rmvpe容易把伴奏的基频也抓进来。

第六段 实战案例与最终效果

上周我试着用这套流程重制了《轻涟》的ai版。原曲里芙宁娜的唱段有大量真假声切换，直接rmvpe结果里“啊”字尾音直接塌陷。我先把采样率升到48000，hop改到64，加上三帧中值滤波，再用crepe对其中五秒高难度段落做了覆盖，最后手工微调了三处滑音。成品出来时，朋友惊讶说差点以为是芙宁娜本人唱的。这就是我们这些老玩家钻研的意义，工具只是起点，耐心和耳朵才是最终答案。