RVC 音色转换入门指南10 分钟样本跑通 AI 变声零基础可用【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 是一个开源的检索式音色转换工具投喂 10 分钟目标人物的干净人声就能训出一个声音滤镜把你的声音离线或实时换成目标音色。推理端到端延迟 170ms配 ASIO 声卡最低 90ms4GB 显存即可起步。 项目速览维度信息适合谁想给歌曲换歌手、做直播变声器、训练个人专属音色的人平台Windows / LinuxREADME 以 Ubuntu 24.04 为例N 卡、A 卡、I 卡、纯 CPU 均可硬件门槛N 卡 4GB 显存起步低于 4GB 自动退回 CPUA 卡 Windows 走 DirectML最低环境Python 3.12 x64、ffmpeg、对应硬件的 PyTorch最少素材10 分钟单人、低底噪人声音频官方 FAQ 推荐 10~50 分钟典型玩法训练专属音色、批量换声、人声伴奏分离、实时变声关键数字实时变声端到端 170msASIO 下 90msWebUI 默认监听端口 7865它的工作原理一句话用 top1 检索把输入特征替换成训练集特征从而杜绝原声音色漏进结果源码在 webui.py 的推理链路。 动手前环境核对单先对照下表自查哪项不达标就按第三列处理。项目要求不达标怎么办Python3.12 x64装 3.12 并新建虚拟环境再执行后续命令系统Windows 或 Linux推荐 Ubuntu 24.04其他发行版参照 Ubuntu 步骤类比安装系统依赖显卡N 卡显存 ≥4GBA 卡/无 N 卡走 CPU 或 DirectML改装 requirments_cpu_py312.txt训练慢但可用ffmpeg命令行可直接调用Ubuntusudo apt install ffmpegWindows把 ffmpeg.exe、ffprobe.exe 放项目根目录网络能访问 PyPI 与模型仓库requirements 文件顶部已内置国内镜像源一般无需处理目录分工先记熟后面每步都会用到预训练模型assets/hubert_base、rmvpe、pretrained、pretrained_v2、uvr5_weights实验数据与训练产物logs/实验名/可分享的小模型60MB 的 .pthassets/weights/索引 .indexassets/indices/参数与配置configs/config.py 和configs/v1、v2下的 json 跑起来的三个动作把整个过程想成开一家录音棚先装修再上架设备最后开张接单。动作 1拿到代码为什么后面所有命令都在仓库根目录执行。怎么做git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI过关标准根目录能看到webui.py、configs/、train/、tools/。动作 2装环境 下模型为什么代码只负责跑依赖和权重要单独就位。怎么做以 N 卡为例python -m venv .venv # 激活虚拟环境后 python -m pip install torch2.7.1cu118 torchaudio2.7.1cu118 python -m pip install -r requirments_cu118_py312.txtRTX 50 系把版本号换成 cu128 版CPU/A 卡/I 卡直接装requirments_cpu_py312.txt。再下模型推理训练必需的最小集python -m pip install --upgrade huggingface_hub hf download lj1995/VoiceConversionWebUI --revision main --include hubert_base/* --local-dir assets hf download lj1995/VoiceConversionWebUI rmvpe.pt --revision main --local-dir assets/rmvpe hf download lj1995/VoiceConversionWebUI --revision main --include pretrained/* pretrained_v2/* --local-dir assets过关标准assets/hubert_base/下有pytorch_model.binassets/rmvpe/rmvpe.pt存在N 卡用户执行python -c import torch; print(torch.cuda.is_available())打印True。动作 3启动 WebUI为什么所有操作都在网页里完成。怎么做python webui.py无桌面服务器的 Ubuntu 加--noautoopen再手动访问。过关标准浏览器自动打开 7865 端口页面页签能看到「模型推理」「伴奏人声分离去混响去回声」「训练」「ckpt处理」「常见问题解答」控制台打印当前设备如cuda:0。偷懒路线如果拿的是带 runtime 的 Windows 整合包如 RVC-beta解压后双击go-webui.bat即可相当于跳过动作 1、2直接到动作 3 的效果。 最小闭环从零训一个自己的音色备素材准备 10 分钟以上、无 BGM 的单人人声放进一个文件夹路径别带中文和空格。进「训练」页签「输入实验名」填my-test。实验数据会按这个名字建在logs/my-test/下。step2a「输入训练文件夹路径」填上一步的素材路径点「处理数据」。完成后实验目录多出0_gt_wavs、1_16k_wavs两个切片文件夹。step2b 音高算法选rmvpe默认值速度最快点「特征提取」。step3 保持默认版本 v2、采样率 40k、总训练轮数 20点「一键训练」。等输出信息出现Training is done. The program is closed.且logs/my-test/下出现added_IVF*.index索引文件训练才算完整。切到「模型推理」页签点「刷新音色列表」下拉框应出现my-test。上传一段自己的录音变调填 0音高算法rmvpe点「转换」播放输出音频。判断结果正确听感上音色明显偏向训练目标、语气和节奏仍跟随输入。若还残留原声音色往下看能力 2 的参数。 核心能力拆解能力 1一键训练流水线解决什么问题手动分步跑切片、提特征、训练容易漏步骤流水线一次串完切片归一化 → 提取音高与 HuBERT 特征 → 训练模型和索引预处理细节在 train/preprocess.py。何时使用手里有新音色素材要变成模型时。关键参数作用目标采样率40k / 48k越高越保真显存和时长开销也越大模型是否带音高指导唱歌必须开纯语音可关总训练轮数 total_epoch默认 20低音质素材 20~30 足够高音质可拉到 200官方 FAQ Q9batch_size默认取显存的一半GB 数显存不够就调小最反直觉的坑现象是训练中途报 tensor 尺寸不匹配原因是中途改了采样率接着训新旧特征对不上对策是换一个新实验名从头训而不是在原实验上打补丁官方 FAQ Q18。另注意训练页签明确写着暂时只支持单人训练素材里混进第二个人的声音效果就会变差。能力 2检索式推理管音色泄露解决什么问题底模和输入音频的音色可能渗进输出叫音色泄露检索模块用训练集特征替换输入特征来压制它。何时使用转换结果听起来还带点原来的嗓音时。关键参数作用检索特征占比 index_rate0~1单次推理默认 0.75、批量默认 1越大越贴训练集音色变调整数半音12 升八度-12 降八度保持原调填 0保护清辅音和呼吸声0~0.5默认 0.33拉满 0.5 等于关闭保护调低保护更强但可能削弱索引效果音高提取算法pm / rmvpe / fcpe 三选一rmvpe 速度最快、资源占用小最反直觉的坑现象是 index_rate 拉满后音质反而变差原因是检索会把输出往训练集的音质水平上靠训练集音质低于原音频时就亏对策是只有训练集音质高、时长足时才拉满否则退回 0.75 附近微调官方 FAQ Q11 有完整解释。能力 3UVR5 人声伴奏分离解决什么问题想训练的素材是整首歌时先把人声和伴奏拆开附带去混响DeReverb、去回声DeEcho模型。何时使用素材含 BGM 或混响直接训练会把伴奏学进音色。关键参数作用模型下拉选人声提取或 DeEcho/DeReverb 类模型权重需提前下到assets/uvr5_weights/输出文件夹主人声 / 非主人声分别指定默认opt导出格式wav / flac / mp3 / m4a默认 flac最反直觉的坑现象是分离出来的人声很干净训完却发现副歌段有鬼影原因是分离模型对叠唱、气声段并不彻底残留音会被当成音色学走对策是挑独唱、单声道的干净段落再进训练而不是整段照搬。️ 问题速查现象对照处理现象处理办法启动或推理时报缺assets/下模型文件重跑动作 2 里对应的hf download条目Cuda out of memory训练把 batch_size 调小推理调小 configs/config.py 里的 x_pad/x_query/x_center/x_maxffmpeg error / utf8 error多为路径问题目录或文件名带中文、空格、括号迁到纯英文路径重试FAQ Q1结果还带原声音色调高「检索特征占比」同时确认训练集音质不差于原音频一键训练结束却看不到added_*.index索引步骤可能卡住回到训练页签再点一次「训练特征索引」FAQ Q2刷新后下拉框没有新音色先点「刷新音色列表」还没有就翻logs/实验名下的日志找训练报错FAQ Q3浏览器 Connection Error控制台黑窗口被关了重新打开启动命令FAQ Q5处理数据时内存 error调低「CPU 进程数」并手工把过长的训练音频切短FAQ Q14更多条目见 WebUI 内置的「常见问题解答」页签内容与 docs/cn/faq.md 同步。 进阶入口混合两个音色「ckpt处理」页签的模型融合ckpt-merge填两个模型路径和 A 权重即可源码在 train/process_ckpt.py。整文件夹批量换声「模型推理」下的批量推理页签输出默认落在opt/支持指定 wav/flac/mp3/m4a。直播实时变声运行realtime_gui.pyWindows 整合包双击go-realtime_gui.bat端到端 170msASIO 声卡下 90ms。查参数与更新史docs/cn/Changelog_CN.md 记录各版本改动训练技巧看 docs/cn/faq.md 的 Q9~Q11。训出第一个能听出目标的音色只是起点。换三段不同风格的音频、每组参数只动一处再对比听感比读十篇教程都快。合规提示AI 生成的声音受当地法律约束克隆他人音色前务必取得本人授权尊重版权与隐私仅将模型用于合法合规的用途。【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