So-VITS-SVC 推理参数详解：f0 预测器、变调与声码器

2026年8月15日作者：阅读 1.4W+ 本文共计 2302 个字阅读本文需 12 分钟

AI摘要

MiaoYin

本篇是「AI 歌曲翻唱（So-VITS-SVC）」系列教程的一篇，整合包基于 So-VITS-SVC 4.1，适合想用自己声音训练 AI 翻唱模型的同学。说明：本站不提供整合包与现成翻唱模型的下载，但提供 AI 音色模型的定制训练服务。教程内容按原项目文档整理，已去除无关信息。

常见推理参数详解

自动 f0 预测

基本上是一个自动变调功能，可以将模型音高匹配到推理源音高，用于说话声音转换时可以打开，能够更好匹配音调。

f0 预测器

在推理时必须选择一个 f0 预测算法。以下是各个预测器算法在推理时的优缺点：

预测器	优点	缺点
pm	速度快，占用低	容易出现哑音
crepe	基本不会出现哑音	显存占用高，自带均值滤波，因此可能会出现跑调
dio	–	可能跑调
harvest	低音部分有更好表现	其他音域就不如别的算法了
rmvpe	六边形战士，目前最完美的预测器	几乎没有缺点（极端长低音可能会出错）
fcpe	SVC 开发组自研，目前最快的预测器，且有不输 crepe 的准确度	–

聚类模型/特征检索混合比例

该参数控制的是使用聚类模型/特征检索模型时线性参与的占比。聚类模型和特征检索均可以有限提升音色相似度，但带来的代价是会降低咬字准确度（特征检索的咬字比聚类稍好一些）。该参数的范围为 0-1, 0为不启用，越靠近 1, 则音色越相似，咬字越模糊。

聚类模型和特征检索共用这一参数，当加载模型时使用了何种模型，则该参数控制何种模型的混合比例。

⚠️ 注意，当未加载聚类模型或特征检索模型时，请保持改参数为 0，否则会报错。

切片阈值

推理时，切片工具会将上传的音频根据静音段切分为数个小段，分别推理后合并为完整音频。这样做的好处是小段音频推理显存占用低，因而可以将长音频切分推理以免爆显存。切片阈值参数控制的是最小满刻度分贝值，低于这个值将被切片工具视为静音并去除。因此，当上传的音频比较嘈杂时，可以将该参数设置得高一些（如 -30），反之，可以将该值设置得小一些（如 -50）避免切除呼吸声和细小人声。

⚠️ 开发组近期的一项测试表明，较小的切片阈值（如-50）会改善输出的咬字，至于原理暂不清楚。

自动音频切片

上面提到，推理时，切片工具会将上传的音频根据静音段切分为数个小段，分别推理后合并为完整音频。但有时当人声过于连续，长时间不存在静音段时，切片工具也会相应切出来过长的音频，容易导致爆显存。自动音频切片功能则是设定了一个最长音频切片时长，初次切片后，如果存在长于该时长的音频切片，将会被按照该时长二次强制切分，避免了爆显存的问题。

⚠️ 强制切片可能会导致音频从一个字的中间切开，分别推理再合并时可能会存在人声不连贯。你需要在高级设置中设置强制切片的交叉淡入长度来避免这一问题。

⚠️ 使用 Whisper-PPG 编码器的模型时，会自动设置一个 25 秒的强制切片，否则会无法正常推理。

声码器微调

在 So-VITS 中使用扩散模型时，经过扩散模型增强的 Mel 谱图会经过声码器（Vocoder）输出为最终音频。声码器在其中对输出音频的音质起到了决定性的作用。So-VITS-SVC 目前使用的是 NSF-HiFiGAN 社区声码器，实际上，你也可以用你自己的数据集对该声码器模型进行微调训练，在 So-VITS 的扩散流程中使用微调后的声码器，使其更符合你的模型任务。

SingingVocoders 项目提供了对声码器的微调方法，在 Diffusion-SVC 项目中，使用微调声码器可以使输出音质得到大幅增强。你也可以自行使用自己的数据集训练一个微调声码器，并在本整合包中使用。