雅寶社區 · 頂客論壇 (AHPAL.COM)

🎵 音樂創作

2026 年 VTuber 與 Live2D 音訊設定：實況專用變聲器與 BGM 自動避讓

發表時間：2026 年 09 月 12 日 | 更新日期：2026 年 09 月 12 日 | 編輯：雅寶社區編輯團隊

類型

典型延遲

適合的架構位置

代表工具

傳統 DSP 變聲

5～20 ms

處理層（即時）

Voicemod、MorphVOX

AI 音色轉換（RVC 類）

80～250 ms

處理層（需補償監聽）

RVC、w-okada、VCClient

雲端／批次轉換

500 ms 以上

不適合即時實況

各類雲端 TTS／SVC 服務

這裡有一個殘酷的事實：延遲越低，音色通常越不像人；越像人，延遲就越高。2026 年的 AI 變聲已經可以把延遲壓到 100 ms 上下，但這 100 ms 對「跟觀眾即時互動」來說仍然是可感知的。因此，真正專業的 VTuber 架構並不是「消滅延遲」，而是「管理延遲」——把延遲放在正確的位置，讓它不影響你的反應速度，也不影響 Live2D 的嘴型同步。

1-3 2026 年的硬體與軟體分水嶺

在 2026 年，如果你要認真做 VTuber 音訊，我建議的預算分配大致如下：

麥克風：佔 30%。一支好的動圈麥（如 Shure SM7B、Rode PodMic）遠比便宜的電容麥更適合實況，因為它不吃房間反射。

音訊介面／混音器：佔 30%。2026 年最熱門的選擇是 Rode RODECaster Duo 與 GoXLR 的後繼機種，它們內建 Ducking 與變聲 DSP。

運算資源：佔 25%。AI 變聲需要 GPU，建議至少 RTX 4060 等級以上。

軟體與外掛：佔 15%。OBS、VoiceMeeter、ReaPlugs 都是免費或低價，這部分可以省。

如果你預算有限，我會建議把錢優先花在「實體麥克風」與「虛擬路由軟體」上，變聲器可以先從免費的 Voicemod 入門，等頻道有收入再升級到 RVC 生態。

二、實況專用變聲器：技術路線與實作

變聲器是 VTuber 的「第二張臉」。觀眾看到的是你的 Live2D 皮，聽到的是你的變聲，這兩者必須互相支撐。以下我會從技術路線開始，帶你選工具、串訊號、調參數，最後處理嘴型同步的細節。

2-1 三種變聲技術路線的取捨

2026 年市面上能用的變聲器，本質上可以分成三大類：

即時 DSP 變聲（Formant + Pitch Shift）：原理是把你的聲音做移調（Pitch）與共振峰（Formant）位移。優點是延遲極低、CPU 佔用小；缺點是「聽起來像變聲」，無法真正變成另一個人的音色。代表工具是 Voicemod、MorphVOX、Clownfish。

AI 音色轉換（Voice Conversion）：用類神經網路把你的聲音「轉換成」目標音色。優點是音色極度逼真，可以做出完全不同角色的聲音；缺點是延遲較高、需要 GPU、需要訓練或取得模型。代表工具是 RVC（Retrieval-based Voice Conversion）、w-okada Voice Changer、VCClient、以及 2025 年後崛起的即時 SVC 模型。

混合路線（Hybrid）：先用 DSP 做基礎修飾（如去齒音、EQ），再送進 AI 模型做音色轉換。這是 2026 年最推薦的做法，因為它同時兼顧了延遲與音質。

選擇路線時，問自己一個問題：「你的角色需要的是『聲音聽起來不一樣』，還是『聲音聽起來像另一個人』？」如果只是要區分本音與角色音，第一種就夠了。如果你的人設是一個特定年齡、性別、語調的角色，那第二種才是正解。

2-2 主流工具實測與設定要點

Voicemod（2026 版）：仍然是延遲最低的選擇，內建「VTuber Mode」可以直接把輸出丟進虛擬音訊線。設定上，務必關閉內建的「Noise Reduction」，因為它會與 OBS 的降噪打架。Pitch 建議不要超過 ±5 半音，Formant 建議在 ±20% 以內，否則會出現明顯的「機器人金屬感」。

RVC 即時版：2026 年的 RVC 已經支援 ONNX Runtime 與 TensorRT 加速，延遲可以壓到 80～120 ms。設定關鍵有三個：

Chunk Size：建議設在 160～320 ms 之間。太小會爆音，太大會延遲。

Pitch：男→女通常 +12 半音，女→男通常 -12 半音，但實際要依模型調整。

Index Rate：0.5～0.75 之間，太高會有「電音感」，太低會不像目標音色。

w-okada Voice Changer：這是目前最靈活的開源方案，支援多種模型與多種路由。它的強項是「可以同時掛載多個模型」，讓你一鍵切換角色音。缺點是介面複雜，需要一點學習曲線。

VCClient：2025 年後快速竄起的工具，主打「低延遲 + 高品質」，內建多種預訓練模型。它的 GUI 比 w-okada 友善很多，適合不喜歡碰程式碼的創作者。

2-3 變聲器串接進 OBS 的正確順序

很多人會把變聲器放在 OBS 的「麥克風濾鏡」裡，這是錯的。正確的做法是讓變聲器在 OBS 之外獨立運行，透過虛擬音訊線把「處理完的聲音」送進 OBS。原因很簡單：OBS 的濾鏡鏈是為「修正」設計的，不是為「轉換」設計的。把 AI 變聲放進 OBS 只會讓你無法監聽、無法即時調整，也無法在變聲失敗時快速切回本音。

建議的順序如下：

實體麥克風 → 音訊介面（或 USB 直連）

音訊介面 → DAW 或 VoiceMeeter（做基礎降噪與 EQ）

DAW／VoiceMeeter → 變聲器（DSP 或 AI）

變聲器 → 虛擬音訊線（例如 VB-Audio Virtual Cable）

虛擬音訊線 → OBS 的「麥克風／音訊輸入擷取」

OBS → 串流輸出

這樣做的好處是：你可以在第 2 步就掛上一個「本音／角色音」的切換開關，萬一變聲器當掉，你可以立刻切回本音繼續開台，不會直接斷線。

2-4 延遲補償與嘴型同步

AI 變聲的 100 ms 延遲，對 Live2D 的嘴型同步來說是致命的。因為 VTube Studio 或 Nizima Live 是根據「麥克風輸入」來驅動嘴巴的，如果輸入是變聲後的訊號，嘴巴就會比聲音慢 100 ms。觀眾不一定說得出哪裡怪，但就是會覺得「不對勁」。

解法有兩種：

方法 A：用原始麥克風驅動嘴型。把「未變聲」的麥克風訊號送進 VTube Studio，把「變聲後」的訊號送進 OBS。這樣嘴巴會比聲音早 100 ms，但因為人類對「嘴巴先動」的容忍度遠高於「聲音先到」，所以觀眾體感反而更自然。

方法 B：在 VTube Studio 內做延遲補償。2026 年的 VTube Studio 已經支援「Lip Sync Delay」參數，你可以直接填入 100 ms 的延遲，讓嘴型往後延。

我個人推薦方法 A，因為它不需要額外設定，而且就算你切換變聲器也不會影響嘴型。做法是在 VoiceMeeter 裡把麥克風訊號「分岔」成兩條：一條直接給 VTube Studio，一條經過變聲器給 OBS。

三、BGM 自動避讓：原理與實戰

如果說變聲器是 VTuber 的「聲音角色」，那 BGM 自動避讓就是「聲音導演」。它的工作很單純：當你講話時，音樂自動變小；當你不講話時，音樂自動變大。這件事聽起來簡單，但做得好與做得爛，觀眾的體驗差距非常大。

3-1 側鏈壓縮（Sidechain Compression）到底是什麼

側鏈壓縮是自動避讓的核心技術。一般的壓縮器是「看到訊號超過閾值就壓」，側鏈壓縮則是「看到『另一個訊號』超過閾值就壓」。在我們的場景裡，「另一個訊號」就是你的麥克風，「被壓的訊號」就是 BGM。

側鏈壓縮的四個關鍵參數：

Threshold（閾值）：麥克風訊號超過多少 dB 時開始壓 BGM。建議 -30 dB 到 -20 dB。

Ratio（壓縮比）：壓多少。建議 3:1 到 6:1，太低沒感覺，太高會讓音樂「呼吸感」太重。

Attack（啟動時間）：麥克風出聲後，多久開始壓。建議 5～20 ms。太快會讓子音被吃掉，太慢會讓第一個字被音樂蓋住。

Release（釋放時間）：麥克風停止後，多久恢復音量。建議 150～400 ms。太快會讓音樂「抽動」，太慢會讓你講完話音樂還悶著。

2026 年的趨勢是「智慧避讓」，也就是用 AI 判斷你的語音內容，自動調整 Release 時間。例如你講完一句話後停頓，音樂會平滑地恢復；但如果你只是換氣，音樂則維持低音量。這在 ReaPlugs 或 FabFilter Pro-C 3 這類外掛中已經可以做到近似效果。

3-2 用 VoiceMeeter 做硬體級 Ducking

VoiceMeeter Banana 與 Potato 內建了一個非常方便的功能，叫做「Ducking」。它會自動偵測你指定的輸入通道，並對其他通道做音量衰減。這是 2026 年最推薦給新手的做法，因為它完全不需要外掛，而且延遲極低。

設定步驟如下：

打開 VoiceMeeter，把麥克風設在「Hardware Input 1」。

把 BGM 播放軟體（例如 Spotify 或瀏覽器）設在「Virtual Input」。

點選右上角的「Menu」→「Ducking」。

在 Ducking 面板中，把「Input 1」設為 Trigger（觸發源），把「Virtual Input」設為 Attenuate（被衰減）。

調整 Ducking Level（建議 -12 dB 到 -18 dB）與 Release Time（建議 300 ms）。

這樣一來，只要你一講話，BGM 就會自動降 12～18 dB；你一停，BGM 就會在 300 ms 內恢復。這個做法最大的優點是「零外掛、零 CPU 負擔」，缺點是它只能做「全頻段」衰減，無法針對特定頻率做處理。

3-3 用 DAW 與 ReaPlugs 做精細側鏈

如果你想要更精細的控制，例如「只壓 BGM 的中頻，保留低頻的鼓聲」，那就需要進到 DAW 或使用 ReaPlugs。ReaPlugs 是免費的 VST 外掛包，其中 ReaComp 支援側鏈輸入，非常適合拿來做 Ducking。

設定步驟（以 Reaper 為例）：

把麥克風與 BGM 分別放在兩個軌道。

在 BGM 軌道掛上 ReaComp。

開啟 ReaComp 的「Sidechain Input」，選擇麥克風軌道。

設定 Threshold -25 dB、Ratio 4:1、Attack 10 ms、Release 250 ms。

如果需要更精細的控制，可以在 ReaComp 之後再掛一個 EQ，把 1 kHz 到 4 kHz 的頻段額外壓 3 dB。

這個做法需要一點學習成本，但效果最專業。2026 年的 Reaper 已經支援「Track Templates」，你可以把整組設定存成模板，下次開台一鍵載入。

3-4 OBS 內建與外掛的替代方案

如果你不想碰 VoiceMeeter 或 DAW，OBS 本身也有幾個做法：

OBS 內建壓縮器：在 BGM 的音訊軌道上掛「Compressor」，但 OBS 的壓縮器不支援側鏈，所以只能手動調整。效果有限。

obs-ducks 外掛：2025 年後出現的第三方外掛，可以讓 OBS 的 BGM 軌道被麥克風軌道觸發。安裝簡單，效果不錯，但穩定性不如 VoiceMeeter。

音訊監控外掛：例如「Audio Monitor」可以讓你即時聽到 Ducking 的效果，方便調整參數。

我的建議是：如果你只用 OBS，那就裝 obs-ducks；如果你願意多學一套軟體，VoiceMeeter 會是更穩定的選擇。

3-5 進階：情境式音樂切換與多段避讓

2026 年的高階 VTuber 已經不滿足於「講話時音樂變小」了。他們會做「情境式避讓」：

開場時：BGM 大聲，人聲小，營造氛圍。

聊天時：BGM 自動降到 -15 dB，人聲清楚。

唱歌時：BGM 降到 -6 dB，但仍然保留一點存在感。

遊戲時：BGM 降到 -20 dB，遊戲音效優先。

要做到這件事，你需要「多段避讓」。做法是在 VoiceMeeter 或 DAW 裡建立多個 Ducking 設定檔，用快捷鍵或 Stream Deck 切換。例如：

情境

BGM 衰減量

Attack

Release

開場

-3 dB

50 ms

500 ms

聊天

-15 dB

10 ms

300 ms

唱歌

-6 dB

20 ms

400 ms

遊戲

-20 dB

5 ms

200 ms

這樣一來，你的音樂就不再只是「背景」，而是「跟著你的節奏呼吸」的一部分。觀眾會覺得你的台「很順」，但說不出為什麼順——這就是專業與業餘的差別。

四、完整訊號鏈實作範例

接下來，我給你一套可以直接照抄的訊號鏈。這套架構適合「一人開台、有 Live2D、有 BGM、有變聲需求」的 VTuber，預算約在台幣三到五萬元之間（不含電腦）。

4-1 軟硬體清單

麥克風：Shure SM7B 或 Rode PodMic

音訊介面：Rode RODECaster Duo 或 Focusrite Scarlett 2i2（第四代）

虛擬路由：VB-Audio VoiceMeeter Potato

變聲器：VCClient（AI 模式）或 Voicemod（DSP 模式）

實況軟體：OBS Studio 31 或以上

Live2D 軟體：VTube Studio 或 Nizima Live

外掛：ReaPlugs（ReaComp、ReaEQ）、obs-ducks

4-2 訊號流圖

整體的訊號流如下：

麥克風 → 音訊介面 → VoiceMeeter Input 1

├─→ VTube Studio（嘴型驅動，未變聲）

└─→ 變聲器 → VoiceMeeter Virtual Input

└─→ OBS 麥克風軌道

BGM 播放器 → VoiceMeeter Virtual Input 2

└─→ OBS BGM 軌道（掛載 ReaComp 側鏈或 Ducking）

OBS 輸出 → 串流平台

這個架構的關鍵在於「麥克風分岔成兩條」：一條給 VTube Studio，一條給變聲器。這樣嘴巴與聲音才能同步。

4-3 逐步設定步驟

安裝 VoiceMeeter Potato，重開機後把音訊介面設為 Hardware Input 1。

安裝 VB-Audio Virtual Cable，把它設為 VoiceMeeter 的 Virtual Input。

在 VoiceMeeter 中設定 Ducking：Trigger 選 Input 1，Attenuate 選 Virtual Input，Level 設 -15 dB。

安裝變聲器（VCClient 或 Voicemod），把輸入設為 VoiceMeeter Output，輸出設為 Virtual Cable。

打開 OBS，新增「音訊輸入擷取」，裝置選 Virtual Cable，這就是你的變聲後人聲。

在 OBS 中新增第二個音訊輸入擷取，裝置選 VoiceMeeter Output，這是 BGM 軌道。

在 BGM 軌道掛上 ReaComp，開啟 Sidechain，來源選人聲軌道。

打開 VTube Studio，麥克風選音訊介面（未變聲的原始訊號），這樣嘴型就會與人聲同步。

測試：對著麥克風講話，確認 BGM 會自動降低，且 Live2D 嘴型沒有延遲。

這套設定看起來複雜，但其實只要做過一次，之後開台就只是「打開軟體、按錄製」而已。建議你把整組設定存成 VoiceMeeter 的 preset 與 OBS 的場景集合，下次直接載入。

五、常見問題與除錯

最後，我整理幾個 2026 年 VTuber 最常遇到的音訊問題，以及對應的解法。

5-1 延遲、爆音與爆框

問題：變聲後的聲音有爆音或斷斷續續。

解法：檢查變聲器的 Buffer Size。AI 變聲器通常需要 128～256 samples 的緩衝區，太小會爆音，太大會延遲。另外，確認你的 GPU 沒有同時在跑遊戲或渲染，否則 AI 模型會搶不到資源。

問題：BGM 避讓的時候有「抽動感」。

解法：Release 時間太短。把 Release 從 100 ms 調到 250～400 ms，讓音樂恢復得更平滑。如果還是抽動，檢查 Attack 是否設得太快，建議至少 10 ms。

5-2 「我聽到的」與「觀眾聽到的」不一致

這是最常見的新手問題。你戴著耳機聽到自己的變聲，覺得很怪；但觀眾聽到的其實是正常的。這是因為你的監聽路徑與輸出路径不同。

解法：永遠不要在耳機裡監聽變聲後的訊號。你的耳機應該監聽「原始麥克風」或「VoiceMeeter 的 Output」，而不是變聲器的輸出。這樣你才能自然講話，不會被自己的變聲干擾。

如果你真的需要監聽變聲後的結果，建議用「第二副耳機」或「音訊介面的第二個輸出」來監聽，並且把音量調小。

5-3 Live2D 嘴型不同步

如前面所述，這是因為 VTube Studio 吃到的是變聲後的延遲訊號。解法有兩個：一是讓 VTube Studio 吃原始麥克風（推薦），二是在 VTube Studio 裡設定 Lip Sync Delay。

2026 年的 VTube Studio 還支援「AI 嘴型預測」，它可以根據你的語音波形預測下一個音節，提前驅動嘴巴。這個功能在「VTube Studio 1.30」之後的版本已經內建，建議開啟。

六、結語：把聲音當成第二個角色來經營

2026 年的 VTuber 已經不是「會開 OBS 就能紅」的時代了。觀眾的耳朵越來越挑，他們會在意你的聲音是否清晰、BGM 是否舒服、嘴型是否同步。這些細節不會讓你一夕爆紅，但會讓你的台「留下來的人更多」。

變聲器與 BGM 自動避讓，說穿了只是兩個技術點。但它們背後代表的是同一件事：你有沒有把「聲音」當成你的角色的一部分來經營。當你的聲音與你的皮、你的台風、你的互動節奏完全融為一體時，觀眾就不會覺得「這是一個人在用變聲器」，而是「這就是這個角色的聲音」。

希望這篇文章能幫你在 2026 年打造出一套穩定、好聽、又不會讓你崩潰的實況音訊系統。如果你在設定過程中遇到問題，歡迎在「雅寶社區 · 頂客論壇」的音樂創作版發文討論，我會盡量回覆。

祝開台順利，聲音永遠不爆。

```

🏠 返回首頁