RVC本家リアルタイムクライアントで言う所のサンプル長 設定項目
もしくはMMVCクライアントで言う所のCHUNK:サイズ　設定項目
それを
768(2000ms）、つまり2.0秒近くに設定すると綺麗にしゃべれます、0.4秒～1.0秒などだと結構崩れてしまいます.
愛想良い系少女の声セットは、単純な声質変換ではなく、声の人物変換に近いので、1.5～2秒付近の音声が必要になります
喋るのが少し遅れるのに脳が慣れて会話するようになれば、VRCなどで楽しくボイチャできるようになります