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：

1. 音频先被重采样到16000 Hz（HuBERT 的标准输入采样率），见 rvc_infer_real.py#L197-L207；
2. 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；
3. 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 shift），HuBERT + 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 Pipeline（rvc_infer_real.py#L229-L251）：

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 -12）；
• index_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_segments（rvc_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：

给新手的三点配置建议：

1. 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；
2. 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；
3. 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。