RVC变声器上手教程10分钟语音训练一个专属AI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把一首你哼唱的 Demo 丢进推理界面10 秒后拿到的就是目标歌手的唱腔版本把麦克风接到电脑前说话的同时对方听到的是另一个人的声音端到端延迟 170ms换用 ASIO 声卡还能压到 90ms。以上两个场景都不需要写代码——这就是 RVC 变声器Retrieval-based Voice Conversion WebUI检索式语音转换能做的事用不超过 10 分钟的干净语音训练出一个可以离线推理、可以实时变声的音色模型。它凭什么用 10 分钟数据就够RVC 的思路和从零学一个声音不同。底模一个接近 50 小时 VCTK 高质量训练集预训练好的声码器已经掌握了把内容特征变成人声的全部能力训练时只需要教会它一件事你的音色长什么样。真正让效果稳定的是检索机制。推理时模型把输入语音的 Hubert 特征可以理解为语音的内容指纹拿去查一个由训练数据构建的 faiss 索引一个向量快速查找表用 top1 命中的训练集特征替换掉输入特征再走底模合成声音。这一步直接切断了输入者音色混进输出的通道——RVC 项目把这种输入音色被带进结果的现象称为音色泄漏检索替换就是它的解法。对比维度RVC 检索式方案常规端到端克隆所需数据量10 分钟起官方推荐 10~50 分钟通常数小时以上音色泄漏有 faiss 索引 index rate 双重控制主要靠模型容量压制训练门槛4GB 显存显卡即可跑依赖大显存与大数据实时能力170ms 端到端ASIO 90ms视实现而定代价是输出音质会被训练集拉齐训练集底噪大输出底噪也大。所以数据干净比数据多更重要。环境要求与一键安装步骤当前分支面向Python 3.12 x64Ubuntu 推荐 24.04。注意它和早期版本要求的 3.8~3.10 已不同老教程里的虚拟环境建议直接重建。你的硬件依赖文件说明CPU / AMD / Intel 显卡requirments_cpu_py312.txtWindows 可走 DirectMLLinux 用 CPUNVIDIA RTX 50 系requirments_cu128_py312.txt先装 CUDA 12.8 版 TorchRTX 50 系以前requirments_cu118_py312.txt先装 CUDA 11.8 版 Torchgit clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI python -m venv .venv .venv\Scripts\activate # WindowsLinux 用 source .venv/bin/activate python -m pip install -r requirments_cpu_py312.txt装完还要准备预训练模型从 Hugging Face 的lj1995/VoiceConversionWebUI下载hubert_base/、rmvpe/rmvpe.pt、pretrained/、pretrained_v2/放进assets/目录目录树在 README.md 的模型与运行目录一节有完整清单。你自己的成品模型放assets/weights/索引文件放assets/indices/。Windows 用户把ffmpeg.exe、ffprobe.exe放到项目根目录即可README 里附了下载地址。首次启动 WebUI 与界面导览启动就一行命令默认监听7865端口python webui.py # 服务器/无桌面环境加 --noautoopenWindows 上也可以直接双击go-webui.bat。浏览器打开后按 Tab 分工训练填训练集路径 → 一键训练切分、降噪、提音高、提特征、训练、建索引全自动显卡信息栏能直接看到各卡显存推理选音色.pth 索引.index填音高移动半音和检索速率index rate支持单文件和批量ckpt 处理从小体积成品模型和训练日志间提取/合并ckpt-merge 就是模型融合入口人声伴奏分离内置 UVR5 模型训练前先把歌曲拆成人声和伴奏总览/FAQ内置常见问题语言和界面跟随系统区域自动切换i18n/locale/ 下有 13 个语言包首次运行若浏览器弹 Expecting value: line 1 column 1关掉系统代理再试控制台黑窗口不要关关了服务就断了。四个典型场景的操作路径场景一训一个 AI 歌手。用 Tab 里的 UVR5 把目标歌手的歌曲分离出人声 → 人声 WAV 放进一个独立文件夹 → 训练 Tab 填路径实验名起个唯一名字 → 一键训练。10~50 分钟人声数据采样率建议 48k对应configs/v1/48k.json这类配置。完成后去assets/weights/找 60MB 的.pth这就是可分享的成品模型。场景二实时变声。双击go-realtime_gui.bat或python realtime_gui.py启动迷你 GUI选输入/输出设备两者要选同一类型如都用 WASAPI 或都 ASIO加载音色后说话即转。调参数不用重启模型是懒加载的。场景三给一段录音整体变声。推理 Tab 里选音色和索引上传 WAV设半音移动跨性别或跨音域用 ±5~12同音域微调用 ±1~3。输出比输入低一档音质属正常调高 index rate 可减轻音色往输入源靠的泄漏感。场景四模型融合。两个同音域音色各取一部分权重ckpt 处理 Tab → ckpt-merge填两个路径和比例生成新.pth。适合想保留 A 的气息感、用 B 的共鸣这类微调需求。高频报错排查现象、原因与解决1. ffmpeg error / utf8 error现象切分或预处理阶段报 ffmpeg 或 utf8 相关错误。原因训练集路径含中文、空格或括号被 ffmpeg 当成非法参数。解决把数据集整体挪到纯英文短路径下重跑。2. CUDA out of memory现象训练或推理时显存爆掉。原因默认检索参数按 6GB 显存配置。解决训练缩小 batch size推理改 configs/config.py 末尾的x_pad、x_query、x_center、x_max4GB 显卡有专门档位x_pad1, x_query5。代码按≥4GB 显存且 SM≥5.3自动选卡并决定 fp16/fp32低于 4GB 的卡不建议硬上。3. 一键训练跑完却没有 index现象进度走完但assets/indices/里没有added_*.index。原因训练集过大时内存建索引卡死。解决单独再点一次训练索引走批处理流程。4. 推理音色列表里没有刚训的模型现象训练成功但推理 Tab 选不到新音色。原因列表缓存未刷新或只拿到了logs/下的训练态大 ckpt。解决点刷新如果手里是几百 MB 的训练日志文件先走 ckpt Tab 做小模型提取产出 60MB 的.pth才能推理。5. 报 tensor 尺寸不匹配17280/0 之类现象训练中途抛 RuntimeError。原因wavs16k里混进了体积异常小的坏切片。解决把那几个几 KB 的坏文件移出训练集重新点训练索引要重建一次。6. 输出总带一点原说话人的音色现象音色泄漏。原因index rate 过低检索保护没起作用。解决index rate 调到 1若训练集本身音质低于输入音频调高后音质会跟着训练集走这是正常取舍。进阶调优数据、参数、硬件各抓重点数据。底噪比时长更关键安静环境录、无背景音乐、每段 5~10 秒。10 分钟是稳妥下限高音质 有辨识度的音色 5 分钟也能出效果底噪大的 2 分钟数据基本救不回来。参数。轮数total_epoch跟数据质量走底噪大 20~30 轮足够继续加轮数只会把噪声学得更牢高音质长数据可以拉到 200 轮。index rate 默认 0.5 起调训练数据又多又好时它的作用变小甚至可以只分享.pth不带.index。硬件。推理端 fp16 是自动的新架构卡Pascal 和 16 系卡自动回落 fp32 并放宽预处理参数不需要手动干预。训练端看train/train.py的多卡支持日志里能看到各卡显存占用。源码导读四个值得先读的入口webui.pyGradio 主入口训练、推理、ckpt、分离四个 Tab 的完整编排都在这一个文件里想改 UI 流程从这里入手realtime_gui.py实时变声迷你 GUI端口、音频队列、参数热更新的逻辑比 WebUI 短适合读懂推理链路train/train.py 配 train/preprocess.py训练主循环与数据预处理切分、降噪、提特征各自独立train/dataset/ 里的extract_f0.py、extract_hubert_feature.py是两条特征管线infer/vc/pipeline.py单次推理的完整流水线音高来自 infer/rmvpe.pyRMVPE默认算法推理端还有 pm、fcpe 可选内容特征来自 infer/hubert.py检索与合成就在 pipeline 里串联设备与精度选择集中在 configs/config.py采样率档位配置在 configs/ 下的 v1/v2 JSON 里。官方文档与分级学习路径仓库自带多语言文档中文问答在 docs/cn/faq.md更新记录在 docs/cn/Changelog_CN.md英文训练技巧见 docs/en/training_tips_en.md另日、韩、法、土耳其、葡萄牙五种语言的 faq 与 tips 齐全。第一周跑通 UVR5 分离 → 一键训练 → 推理出第一条音频只调半音和 index rate 两个参数第二、三周换不同数据量5 分钟 vs 30 分钟做对照理解轮数与底噪的关系尝试一次 ckpt-merge之后读 pipeline 源码把推理逻辑接进自己的程序关注 RVCv3 底模官方预告更大参数、更少数据需求开始前的四件事先录/备 10 分钟以上低底噪人声路径全英文、无空格按硬件表装对依赖文件跑python -c import torch; print(torch.cuda.is_available())确认真是 True第一次训练用默认参数别同时改三处分享模型时只发assets/weights/里 60MB 的.pth加对应.index别发logs/下的训练文件项目地址https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI 感谢作者与所有贡献者的开源工作。【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