SVC链路里，音高轨迹和声码器是决定听感自然度的两个核心。输入干声即便干净，如果F0提取阶段产生局部错误，后续声学模型和声码器会把这些错误忠实甚至放大呈现。电音感常表现为颤音变成机械抖动、高音发刺、长音末尾出现金属尾迹，这些现象不能简单归因于模型容量不够。把F0曲线单独导出来观察，往往能看到水平段、尖锐毛刺或突然上下翻折，这些才是需要先处理的对象。

一、F0曲线的电音来源：跳变、断裂与八度误判

F0是声码器合成谐波的基础。SVC推理时，干声先经过F0提取器得到逐帧基频，再与声学特征一起送入声码器。NSF-HiFiGAN、HiFi-GAN等神经声码器对F0非常敏感，因为它们的激励信号或者条件输入都直接依赖F0。F0曲线上一个很小的跳变，比如从220Hz突然跳到440Hz，在听感上会表现为音符突然翻高一个八度，或者像电子合成器一样的生硬转音。如果这样的跳变连续出现，整段歌声就会带上明显的电音。

除了八度误判，清音段处理不当也会造成电流声。清音段没有稳定基频，若提取器强行给出一个伪周期，声码器会试图用谐波去合成气声和齿音，结果就是类似铃声叠加在呼吸声上的金属感。常用的处理是对清音段做掩蔽，把F0置零或标记为无基频，让声码器走噪声分支。另一个容易忽略的因素是帧移长度。帧移太大会让音高变化跟不上快速滑音，形成阶梯状F0，合成后每个阶梯边界都会产生细微的电流脉冲。一般来说，5ms帧移对歌声是平衡点，既不会丢失快速颤音，也不会引入过多噪声。

基频范围限制同样关键。如果最低基频设置过高，低音部分会被错误地向上折叠；如果最高基频设置过低，高音会向下折叠。两者都会制造不自然的跳变。对大多数成人歌声，50Hz到1100Hz是安全范围，儿童或高音歌手可以适当上调上限，但不要无限制放宽，否则噪声段的伪基频更难过滤。

二、四种F0提取器怎么选：DIO、Harvest、CREPE与RMVPE

DIO是最快的经典算法，通过多个滤波通道估计周期，适合实时预览和快速测试。但它在低信噪比、弱浊音和假声段容易抖动，电音问题严重时不建议继续使用。Harvest属于WORLD套件，基于波形周期性和时域稳定性做筛选，曲线更平滑，对干净干声的八度判断比DIO稳定，但计算量更大。CREPE是深度学习方法，直接预测每一帧的基频概率，对混响、和声和背景噪声的鲁棒性好，缺点是推理速度慢，且偶尔在清音段给出不太自然的低概率伪F0，需要配合阈值过滤。RMVPE专门针对歌声数据训练，在假声、气声和带伴奏残留的场景下表现突出，是目前SVC工作流里用得较多的方案。

实际选择时，如果电音明显且干声质量一般，可以优先换用RMVPE；如果干声非常干净且希望离线批量处理，Harvest足够稳定；如果追求最快速度，DIO可用于调参验证，但正式合成建议替换。不同提取器的F0均值、方差和跳变分布并不一致，更换后需要重新生成缓存并同步训练或推理参数，否则会引入新的不匹配。

下面是一段用Harvest提取F0并进行基础清洗的示例代码：

import soundfile as sf
import pyworld as pw
import numpy as np
audio, sr = sf.read("vocal.wav")
frame_period = 5.0
f0, time_axis = pw.harvest(audio, sr, frame_period=frame_period)
f0 = pw.stonemask(audio, f0, time_axis, sr)
# 过滤人类歌声范围之外的基频
f0 = np.where((f0 >= 50) & (f0 <= 1100), f0, 0.0)

如果项目里使用RMVPE，可以直接在配置里指定提取器，并在预处理阶段缓存F0文件。缓存前要确认采样率、hop长度和帧移与训练时完全一致。

三、声码器选择：NSF-HiFiGAN与World系在SVC中的不同表现

声码器负责把F0和声学特征还原成波形。World系声码器基于传统信号处理，合成出的声音平滑度高，对F0误差有一定容忍能力，但高频细节和泛音表现偏弱，听感容易发糊。NSF-HiFiGAN属于神经声码器，细节丰富、高频通透，但它的激励网络高度依赖F0。如果F0曲线有毛刺，神经声码器会生成对应的快速频率调制，听感上就是电音和机械抖动。所以出现电音时，不能只盯着声码器，也要看它把什么样的F0当成输入。

一个实用的判断方法是：在同一套声学特征下，先切换到World声码器试听。如果电音明显减少，说明问题大概率在F0提取或F0与特征的不匹配；如果World输出仍然发刺，则需要检查声学特征、训练数据和模型本身。反过来，如果World输出过于模糊，不建议直接把NSF-HiFiGAN加上去，而应先清洗F0曲线，否则细节增强会把原有问题一起放大。

下面是SVC配置中声码器相关字段的示例：

{
  "f0_extractor": "rmvpe",
  "f0_hop_length": 160,
  "f0_min": 50,
  "f0_max": 1100,
  "f0_smooth": true,
  "vocoder": "nsf_hifigan",
  "use_f0_norm": true,
  "f0_norm_stats": "f0_stats.npy"
}

部分项目还支持DDSP声码器，它在谐波建模上增加更多控制，可以在一定程度缓解纯NSF对F0过于敏感的问题。但DDSP的参数调优更复杂，若只是普通翻唱转换，优先保证F0干净比频繁更换声码器更有效。

四、训练与推理的一致性：F0归一化、缓存与音高偏移

SVC模型通常会对F0做归一化，训练阶段统计所有音频的F0均值和方差，推理时使用同一组统计值还原。如果推理时忘记加载F0归一化参数，或者训练和推理使用了不同的F0提取器，音高分布会整体偏移。偏移后的F0进入声码器，可能导致音高忽高忽低，增加电音听感。排查时可以先确认配置文件里的use_f0_norm和f0_norm_stats是否指向正确文件。

缓存F0能提高推理效率，但也容易留下过期的错误文件。更换提取器、修改最高最低基频、改变帧移或重采样后，原有缓存必须删除并重新生成。音高偏移和半音变调参数也要注意作用在F0还是声学特征上，两者在听感上不同。若在推理时频繁变调，建议同时检查变调后的F0是否越界，越界会导致高音部分被削顶或折叠。

最后可以按以下清单逐项排查：检查F0提取器是否与训练配置一致；确认采样率和hop长度未改变；查看F0曲线是否存在明显毛刺和水平段；清音段是否被正确掩蔽；F0归一化统计文件是否加载；声码器是否与训练时相同；缓存文件是否已过期。如果这些位置都正常，再考虑调整模型权重或训练数据，通常能更快解决SVC电音过重的问题。