B 站鬼畜区有一类作品：把歌曲的每个音替换成动漫角色的台词音效，让长崎素世"唱"《春日影》。做得好的全靠 up 主手搓，一首歌要磨很多天。这个项目想回答一个问题：这件事能不能全自动，而且机器能不能找到人想不到的贴法？
先听成品。下面这首《春日影》，没有一个音是乐器，全部 659 个音都是长崎素世的台词原句：
鬼畜版（素世台词 × 659 句，连带伴奏拟合）
原曲对照
直觉做法是把旋律拆成一个个音符，每个音符找一个音高最接近的音效填进去。我们的前七个版本就是这么做的，全部失败：几千个 0.1 秒的碎片拼起来像"近似傅里叶变换"，音效听不清、旋律也糊掉了。
最后的方案退回一步，反而成立了：不切碎，整句往上贴。素材库里每句台词（1–4 秒的完整句子，带基频轮廓）是一个"token"；渲染变成一个有约束的搜索问题——
几条关键设计，每条都来自一次失败：
不用 AI 声码器。试过 VQ-VAE 式生成路线，音质上去了，但"听得出这是素世那句话"的感觉没了——鬼畜的灵魂是 meme 本身。所以码本只能是真实台词原句，一句都不能合成。
拟合可以作弊，播放必须完整。搜索时允许算法裁剪句子（这样才知道哪句的哪个片段最贴旋律），但播放时永远从句首放完整、零掐断，句与句自然叠加。这是 v10.1 的 "play-full" 模式：之前版本里那些 0.1 秒的碎 glitch 由此从机制上消失，剩下的短音都是"あっ"这类天然短句。
一个人把整首哼完。伴奏不另建声部：主旋律唱到长间隙，同一条流自动切去接贝斯线（贝斯升两个八度进入人声可唱音域）。听感像一个人边唱边在换气间隙哼 bass。
只允许降调，最多 4 个半音。升调会让音色变得不像本人；降一点还有"压嗓子"的节目效果。音域够不到的高音宁可空着也不硬掰。
| 曲目 | 鬼畜版 | 原曲 |
|---|---|---|
| Ave Mujica | ||
| Bloody Stream（JOJO） | ||
| Roundabout（JOJO） |
已知的短板也直说：Bloody Stream 副歌的拖长高音超出素世音域，52% 的高音区找不到合适的句子，只能空着或大幅降调——这是"不许硬掰音高"原则的直接代价。解决办法不是放宽原则，而是补码本（换一个音域更高的角色）。
同一首歌、同一搜索配置，只换素材库：原神丽莎 533 句 vs 长崎素世 2381 句。丽莎的语音更"大制作"，但音域和语气跟这首歌不合：±50 音分音准 50% vs 65%，高音区覆盖 4% vs 78%，"该唱的时候在唱"42% vs 82%。结论：素材和歌的匹配度远比素材数量重要——这让我们省下了下载原神 95G 全量语音包的开销。
我们拆了 B 站 88 万播放的同类标杆《春日影，但是用素世扣出来》（纯手搓）做对照：
标杆正歌段（手搓，人工作品）
实测差距最大的一项不在算法，在混音：标杆的人声压过伴奏 +11~13 dB，我们的人声比伴奏还低 5.6 dB——18 dB 的落差，这就是"机器版旋律不够突出"的主因。另外标杆会先放 10 秒无伴奏名场面台词"交代梗的场景"，唱完再收一句 punchline，本质上是个带音乐的小剧场；我们目前只做了音乐部分。这两条的修复都已在排队。
也有接近的地方：标杆 42% 的台词起音卡在 ±30ms 节拍网格上，我们的引擎在慢歌上做到 44–59%；标杆靠选句贴旋律、基本不变调，和我们"只允许小幅度降调"的原则不谋而合。
春日影：±50 音分音准 59%，"该唱在唱" 82%，659 个音效、最多 5 句同响；八首歌全部在 A100 集群 8 卡并行渲染，单首分钟级。所有逐句对照（每个音效配原句 + 原曲片段）都在仓库的 review 页里可查。
代码、引擎、全部指标：github.com/guoshaoyang-pku/kichiku-voice-mad（MIT）。