RVC 常见术语解释（新手对照表）

刚接触 RVC 变声器时，界面里满屏的 .pth、f0、RMVPE、index rate 常常让人一头雾水。本文按模型文件、音高算法、训练参数、实时路由四组，把最常遇到的术语整理成对照表，每个术语都附一句话解释和新手选择建议。还没下载的朋友先看 RVC变声器下载；想先搞懂原理的可以看 RVC变声器是什么。

一、模型文件与音频规格

术语	一句话解释	新手建议与选择指南
.pth 模型	存储神经网络权重的主模型文件，决定了声音转换的声学骨架。	变声必需文件。使用他人模型时认准 `weights` 文件夹内精简导出的小文件（约 50MB 左右）。模型获取与放置详见模型下载页。
index 文件	存储目标说话人音色特征向量的检索库（FAISS 索引），用于增强音色辨识度与发音细节。	搭配同名 `.pth` 一起加载。没有它模型依然能发声，但音色还原度和发音咬字会明显打折。
采样率	音频数字化时每秒采集的样本数（32k / 40k / 48k），决定了音质的高频上限与频宽。	优先选 40kHz（训练底模兼容性最好、音质与算力开销折中最佳）；追求人声极高频通透可选 48kHz。

二、音高提取算法与特征检索

术语	一句话解释	新手建议与选择指南
f0	决定声音高低调起伏的基频曲线，使生成声音跟随原声的调门变化。	唱歌、有情感起伏的配音转换必须开启；若纯朗读或目标音色不需要音调跟踪，可选择无 f0 模式。
RMVPE	基于深度学习的前沿多音高提取算法，抗噪强、速度快且音准极高。	默认首选。训练与实时推理闭眼选此项，在绝大多数场景下综合表现最稳。
harvest	传统声码器算法中低音表现出色的提取器，音准较好但计算极慢且易哑音。	离线高质量推理的备选方案，仅在 RMVPE 音质不理想时尝试；不适用于实时变声。
crepe	基于卷积神经网络的专业音高算法，稳定性高、抗破音，但计算开销巨大。	追求极致平滑的离线歌声渲染备选，算力消耗高；显卡性能较弱时不建议使用。
pm (Parselmouth)	传统语音学 Praat 的快速音高提取实现，速度极快但精度低、易走调破音。	仅供极低算力设备做快速跑通测试，日常变声与模型训练不推荐。
dio	速度极快的早期传统音高算法，对环境底噪极度敏感，高频表现较差。	现阶段已被 RMVPE 全面替代，不建议选择。
index rate	控制特征库（index）与生成模型（pth）之间的混合比例，用于调节目标音色的浓淡度。	推荐设置在 0.6 ~ 0.8。设为 1 容易带入训练集的底噪或杂音，设为 0 则仅使用通用声学模型导致音色不像。

三、模型训练与硬件加速

术语	一句话解释	新手建议与选择指南
Batch Size	训练时显卡单次并行处理的音频片段数量，直接影响显存占用和训练吞吐。	6GB 显存建议设为 4~8；8GB 显存设为 8~12；12GB 及以上设为 16~32。出现显存不足（CUDA OOM）立即下调。
Epoch	整个训练音频数据集被神经网络完整学习一轮的周期总次数。	10~30 分钟优质干声推荐跑 200 ~ 300 轮；超过 400 轮容易引发过拟合（声音出现金属电音、咬字僵硬）。
fp16 半精度	使用 16 位浮点数替代传统 32 位浮点数进行计算，显存占用减半且大幅提速。	现代 NVIDIA 显卡（GTX 1660 / RTX 系列及以上）默认开启；除非报 NaN 错误或使用极老架构显卡才关闭。
DirectML	微软提供的跨平台机器学习加速框架，让非 NVIDIA 设备能够调用显卡计算。	AMD 显卡（A卡）或 Intel 核显用户必选（需配合专用 RVC DirectML 整合包）；N 卡用户切勿开启，直接走原生 CUDA 性能最佳。

四、实时变声与音频路由

术语	一句话解释	新手建议与选择指南
Block Size	实时变声器单次切片采样的音频数据块时长，直接决定转换延迟与音频连贯性。	实时变声建议从 0.25s ~ 0.5s 开始测试。若声音卡顿、噼啪爆音需调大，追求极限低延迟可微调调小。
CABLE Input / Output	VB-Audio 虚拟声卡驱动，用于在变声软件与语音通讯软件之间搭设虚拟音频跳线。	RVC 实时变声软件的"输出设备"设置为 CABLE Input；在 Discord / QQ / 游戏设置中的"麦克风输入"选择 CABLE Output。完整跳线教程见直播配置指南。

训练或使用中遇到报错（显存溢出、路径编码、DLL 缺失等），可以到常见问题与报错排错查对应的解决方案；各档显卡适合的参数组合见硬件性能对比表。