RVC AI语音克隆与变声器10分钟人声数据训练可用音色模型的完整实操【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-WebUIRVC检索式语音转换 WebUI是基于 VITS 的 AI 语音克隆与变声器十几分钟干净人声即可快速训练语音模型支持网页端单次、批量推理和实时变声适合做声音创作、直播变声、AI 歌手的用户。这个工具适合做什么RVC 把检索特征替换 VITS 声码器这套流程装进了一个网页界面训练、推理、UVR5 人声分离、ckpt 处理都在同一页面完成不用自己拼命令行。底模由约 50 小时的开源 VCTK 语料训练而来版权上没有顾虑可以放心使用。常见的用途有四类克隆特定人声做配音或翻唱10 分钟语音克隆级别的数据量就能出可用音色直播、连麦、游戏开黑场景的实时变声README 标注普通设备端到端延迟约 170msASIO 设备可压到约 90ms给歌曲做音色替换清唱、带伴奏的人声都能处理UVR5 选项卡可以先把人声和伴奏拆开批量处理已有录音选一个文件夹批量推理一次跑完从 0 到听到第一句变声把代码拉到本地N 卡装requirements.txt即可A 卡和 Intel 平台分别对应requirements-dml.txt与requirements-ipex.txtgit clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI pip install -r requirements.txtRVC 还需要一批预训练模型HuBERT 特征提取器、预训练 G/D 权重等tools/ 目录里的dlmodels.sh和download_models.py可以帮你把它们下全。启动 WebUIpython infer-web.py --port 7865浏览器打开后能看到模型推理、训练、ckpt 处理几个分区。把目标人声素材放进一个文件夹推荐 10 到 50 分钟、底噪低的录音路径尽量避开中文和括号。训练页填好实验名、采样率和音高提取算法点一键训练它会依次完成切片重采样、音高提取、特征提取、模型训练和索引训练中间产物落在logs/实验名下。训练完回到推理页点刷新音色列表和索引路径选中音色和对应的 index 文件填入待转换音频的路径点转换输出直接在页面里试听。想实时变声是另一条入口python gui_v1.py它背后是 tools/rvc_for_realtime.py 实现的低延迟链路麦克风输入直接出转换后的声音。按素材选参数推理页真正影响听感的参数不多核心是 F0 提取算法、index rate检索特征占比和 protect 三个怎么选取决于输入素材长什么样清唱人声音高曲线干净F0 用默认的 rmvpe 就够index rate 可以往 1 靠让输出更贴近训练集音色压制推理源的音色泄漏带背景音的音频先用 UVR5 分出人声再推理如果伴奏残留或底噪明显把 index rate 压回 0.5~0.7同时适当调高 protect保住清辅音和呼吸声不被电音化说话声rmvpe 效果最稳追求速度可以换 pm低音区多的素材 harvest 识别更准但明显更慢采样率决定模型大小和音质上限32k 模型最小、实时变声首选但只有 v2 底模支持这一档40k 是 v1 的默认档位速度和质量均衡48k 音质上限最高模型和训练耗时都更大。注意换采样率不能接着旧实验练要新建实验名从头训把上一轮logs里的 0/1/2/2b 特征文件夹拷过去可以省掉重新提取的时间。常见坑自查清单这几条都是 中文 FAQ 里的高频问题按报错倒推原因音频读不进来报 ffmpeg error 或 utf8 error大概率不是 ffmpeg 坏了是路径里带了空格、括号或中文。把素材挪到纯英文短路径下重试。启动时 llvmlite.dll 加载失败Windows 缺 VC 运行库导致装好微软官方的运行库后重启 WebUI。页面弹 Expecting value: line 1 column 1系统开着局域网或全局代理服务端配的 http_proxy 也算关掉代理再刷新。浏览器一直 Connection Error控制台黑窗口被关掉了服务随窗口一起退出重新启动入口脚本即可。训练报 CUDA out of memory显存不够训练就降 batch size4G 以下显存基本无解4G 还有救推理阶段则调小 configs/config.py 末尾的 x_pad、x_query、x_center、x_max 四个参数。训练报 tensor size 不匹配wavs16k里混进了异常短的音频找出明显偏小的文件删掉重训也可能是中途换了采样率这种只能换实验名重新训。从能用到好用数据质量优先于数量底噪大的素材把 total_epoch 压到 20~30 就够硬堆轮次只会放大噪声只有干净素材才配把 epoch 拉高去换细节显存决定 batch sizeWebUI 会按显存自动给默认值约显存容量的一半低显存卡手动降 batch 比调任何超参都直接混合精度在 N 卡上默认开启老架构显卡代码会自动降级到 fp32 并缩小特征缓存参数基本不用手动干预把模型交给别人直接用logs/实验名里那几百 MB 的G_xxx.pth不是用来分享的它保存的是训练状态给别人直接推理会因缺 key 报错。真正的分享产物是 weights 目录下 60MB 左右的精简 pth——ckpt 处理页的小模型提取功能可以从 G 文件生成它——再加上对应的added_IVF*.index检索库两个文件一起打包成 zip 发出去最稳妥。对方解压到 weights 和 assets/indices 下就能直接推理无需重训。去哪里继续深入中文 FAQ上面那些坑的原始出处索引调参、中断续训、中途加数据都在里面英文文档包含 faiss 索引技巧和训练建议推理与训练源码预处理、F0 提取、训练主循环集中在 infer/modules/train/采样率配置v1/v2 各档 json 是底模超参所在更新日志版本行为变化看这里RVC 的门槛不在模型本身而在数据。先把一段干净的人声喂进去、听到第一句变声再回头去抠 index rate 和保护系数效果差距会比你想象的大。【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