RVC WebUI 免费 AI 语音克隆与实时变声完整指南10 分钟数据练出专属音色【免费下载链接】Retrieval-based-Voice-Conversion-WebUIEasily train a good VC model with voice data 10 mins!项目地址: https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI你刚拿到一段 12 分钟的歌手清唱录音想把它变成能实时套在自己身上的音色却卡在到底要多久、需要什么显卡、第一步点哪里这些问题上。开源项目 Retrieval-based-Voice-Conversion-WebUI简称 RVC WebUI就是为这种需求准备的它用不超过 10 分钟的语音数据训练一个变声Voice Conversion把人声从一种音色替换成另一种模型再提供网页界面和实时变声界面让你既能批量转换歌曲也能在直播里低延迟换声。 项目定位是什么给谁用RVC WebUI 是一个基于 VITS 的变声训练与推理框架面向想克隆歌手、主播或自己声音的普通用户不要求你有深度学习背景。它的核心能力推荐只用 10 分钟低底噪语音即可训练出可用模型数据量门槛明显低于多数语音模型。用 top1 检索替换源特征从机制上减少音色泄漏输出偷偷带上原始声音音色的问题。网页界面完成切分音频 → 提取音高/特征 → 训练 → 推理全流程界面里可勾选要执行的操作。内置实时变声界面README 标注端到端约 170ms 延迟配 ASIO 输入输出设备可做到约 90ms。附带 UVR5 人声分离把歌声与伴奏分开与 ckpt-merge 模型融合功能。 快速上手从拉代码到跑通下面是从零到第一次启动 WebUI 的最小路径。获取代码。克隆仓库git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI准备 Python 3.8 以上环境按显卡装依赖。N 卡执行pip install -r requirements.txtA 卡/I 卡执行pip install -r requirements-dml.txtLinux 上 A 卡 ROCm 用requirements-amd.txtI 卡 IPEX 用requirements-ipex.txt。安装 ffmpegsudo apt install ffmpeg/brew install ffmpegWindows 需自行放置 ffmpeg.exe 到根目录。下载预训练文件。仓库提供了下载脚本 tools/download_models.py运行它会把 hubert_base.pt、rmvpe.pt、UVR5 人声模型以及 assets/pretrained 与 assets/pretrained_v2 下的底模拉下来。启动。Linux/Mac 直接执行python infer-web.py默认监听 7865 端口configs/config.py 中可改Windows 双击go-web.bat内部执行的是python infer-web.py --port 7897即可在浏览器打开界面。跑通后先在界面里放几段音频做推理再进入训练流程比一上来就训练更稳妥。 原理速览检索式特征替换是怎么回事把它想成换书皮一本书的纸质内容旋律、歌词、节奏不变只把封面和装帧音色换成你要的那本。RVC 的做法分四步数据预处理。用 UVR5 把人声从伴奏里分离出来再按静音点把长音频切成短段存进训练集。提取两类特征。用 HuBERT 提内容特征用音高提取算法推荐 RMVPE能明显减少哑音提音高两者是变声的原料。训练。基于 VITS 底模做少样本微调把目标音色学进模型产物是可推理的 .pth 权重文件。推理时检索。对输入声音逐帧检索训练集里最相近的特征top1 命中替换后再合成这样输入源的音色不容易串进结果里。 实战案例三个不重叠的用法把清唱换成目标歌手音色。场景你有一段干净的人声 WAV想套上某位歌手的音色。做法先用 UVR5 分离人声 → 上传到训练集、选目标采样率configs/v1 有 32k/40k/48kv2 有 32k/48k 可选见 configs/→ 训练后在推理页上传音频输出带新音色的结果。预期旋律与歌词保留音色贴近训练对象10 分钟左右的数据即可获得可用效果。直播实时换声。场景主播想边说话边变成角色音。做法双击go-realtime-gui.bat打开实时变声界面 → 选麦克风输入与输出设备 → 加载训练好的权重即可开麦。预期默认约 170ms 端到端延迟若驱动支持 ASIO 可压到约 90ms适合边聊边用。批量转换多首歌。场景手头一堆已分离的人声想统一换音色。做法用 tools/infer_cli.py 或 tools/infer_batch_rvc.py 走命令行/批量推理指定 f0up_key、模型路径与 index_rate 等参数。预期无人值守批量产出适合一次处理多首文件。 避坑与调优现象 → 原因 → 处理报 ffmpeg error / utf8 error。多半不是 ffmpeg 的问题而是路径里带空格、括号或中文。把音频挪到纯英文、无空格的短路径下再试。训练报 Cuda out of memory。是显存不够。训练阶段把 batch_size 调小config 里默认 4见 configs/v2/32k.json推理阶段可缩小 configs/config.py 末尾的 x_pad、x_query、x_center、x_max 四个值。4G 以下显存基本只能放弃4G 尚有一战。输出总带着原声的音色音色泄漏。这是底模或推理源音质高于训练集时常见。用 index_rate 控制调到 1 能最大程度消除泄漏但音质更贴近训练集调到 0 则不再用检索保护音色。若训练集本身音质高、时长够就调高 total_epoch让模型少依赖检索。一键训练结束却没有索引文件。若控制台已显示训练完成紧邻的报错常是误报真正原因多为训练集太大导致加索引步骤卡住可再点一次训练索引。若只想快速看一个参数组合推理侧可调 f0up_key升降调、index_rate音色保护强度、f0methodharvest/pm 等音高提取法与 is_half是否半精度默认值参考 tools/infer_cli.py。 生态与延伸预训练与模板assets/pretrained 与 assets/pretrained_v2 存放 v1/v2 底模configs/config.py 会按版本号从 configs/v1、configs/v2 拷贝到 configs/inuse 使用。二次开发tools/infer_cli.py 与 tools/infer_batch_rvc.py 给出命令行与批处理入口方便把变声接进自己的脚本。文档与社区docs/cn/faq.md 汇总了路径、显存、索引、断点续训等高频问题多语言文档放在 docs/ 下各语言子目录。下一步先读 docs/cn/faq.md 对齐你的环境先用推理页跑通一段音频再动手训练需要底模与预训练文件到 assets/ 目录确认是否齐全。【免费下载链接】Retrieval-based-Voice-Conversion-WebUIEasily train a good VC model with voice data 10 mins!项目地址: https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考