从 10 分钟音频到专属音色RVC WebUI 完整上手指南【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你有没有想过能不能只录一小段话就让 AI 用「另一个人的嗓音」说出你的内容比如想把一首歌换成偶像的音色想让语音条变成动漫感的声音或者想在直播里一键变声——这些过去要专业声卡和付费订阅才能做的事现在Retrieval-based-Voice-Conversion-WebUI简称 RVC都能免费做到。而且门槛低得出乎意料只要 10 分钟左右、底噪干净的语音数据就能训练出一个可用的高质量音色模型全程在网页界面上点按钮完成。RVC 训练推理与实时变声双界面为什么是 RVC而不是别的变声器普通变声器只是对音高和频率做简单偏移音色「还是你自己的」听起来机械感强。RVC 基于 VITS 深度学习框架做真正的音色转换它用 top1 检索把你说话的源特征替换成训练集的音色特征从机制上杜绝「音色泄漏」所以换出来的声音自然、像真人。下面这张表是它和传统方案的直观对比维度RVC WebUI传统变声器 / 付费工具训练数据量10~50 分钟即可需大量数据或无训练能力实时延迟端到端170msASIO 设备可低至90ms普遍更高且依赖声卡硬件门槛4G 显存显卡即可跑支持 A 卡 / I 卡需专业声卡或固定设备音色融合内置ckpt-merge可混合多个音色基本不支持成本完全免费、开源MIT 协议多为订阅制收费人声分离内置UVR5一键分离人声/伴奏需另配工具一句话它把「专业级音色克隆」压缩成了一次网页点击的事。3 步跑通安装到启动以下命令均在Python 3.8环境执行。第 1 步克隆仓库git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI第 2 步装依赖 预训练模型# NVIDIA 显卡 pip install -r requirements.txt # AMD / Intel 显卡DirectML改用 # pip install -r requirements-dml.txt # 一键下载所有预训练模型 python tools/download_models.py模型会落到 assets/ 目录包含assets/pretrained、assets/pretrained_v2、assets/hubert/hubert_base.pt、assets/uvr5_weights想用 RMVPE 音高算法还需根目录下的rmvpe.pt。同时确保系统装了FFmpegLinuxsudo apt install ffmpegmacOSbrew install ffmpegWindows 可下载ffmpeg.exe/ffprobe.exe放根目录。第 3 步启动网页界面python infer-web.py浏览器会自动打开http://localhost:7865。Windows 用户也可以直接双击 go-web.bat该脚本走 7897 端口macOS 用sh ./run.sh启动。4 个真实场景你的声音能怎么用场景一翻唱歌曲换音色目标把你唱的歌换成目标歌手音色要点先用内置UVR5分离出人声音高提取选RMVPE效果最好且比 crepe_full 更快更省资源调index_rate平衡自然度与音色保持场景二实时语音变声目标直播 / 语音通话中即时变声要点用 go-realtime-gui.bat 启动专用实时界面端到端延迟约170msASIO 输入输出设备可压到90ms输入输出设备选同种类型如都用 MME场景三离线批量配音目标一次处理一整个文件夹的音频要点用 tools/infer_batch_rvc.py 脚本通过--input_path、--index_rate、--f0method等参数批量导出适合成片配音场景四融合两个音色造新音目标合成一个原本不存在的混合音色要点在 ckpt 处理选项卡用ckpt-merge按权重混合多个模型得到独特个性化声音参数怎么选按你的优先级来不同场景优先项不同下面给出可直接抄的配置组合。实时低延迟优先f0_method rmvpe最准的音高提取避免哑音is_half True半精度推理提速index_rate 0.75自然度与音色保持取中device cuda:0显卡加速音质优先离线录音f0_method crepe_full精度最高的音高提取index_rate 0.5更强地保留目标音色is_half False全精度保质量训练轮数total_epoch训练集底噪大、音质一般20~30足够调太高音质也带不上去训练集高音质、低底噪、时长多可以拉到200训练速度很快多训更稳进阶技巧数据质量 数据时长10 分钟内、高音质、音色统一的数据效果远好于 50 分钟带噪数据index_rate的本质调高更贴近训练集音色防泄漏调低则音质可被底模/推理源带高训练集优质时可适当调低ckpt-merge 混音色不同权重混合出全新音色适合做个性化声音显存吃紧时缩小batch_size或调小 configs/config.py 里的x_pad、x_query、x_center、x_max5 个高频故障对症解决问题一程序报 ffmpeg error / utf8 error症状处理音频时直接报错解决多半是路径问题——路径里含空格、()或中文会导致 ffmpeg 读取失败训练集用中文路径写filelist.txt时会出现 utf8 error把目录和文件名改成纯英文问题二CUDA out of memory显存不足症状训练或推理时 OOM解决训练就缩小batch_size推理就调小 configs/config.py 的x_pad/x_query/x_center/x_max4G 以下显存基本放弃4G 显存显卡还有一线机会问题三训练完看不到新音色症状推理列表里刷不出刚训好的音色解决先点「刷新音色」还没有就查报错看控制台、WebUI 和logs/实验名/下的 log问题四WebUI 弹出 Expecting value: line 1 column 1 (char 0)症状打开界面即报错解决关闭系统全局/局域网代理客户端和服务端的代理都要关问题五Connection Error连接错误症状浏览器连不上解决大概率是你关掉了黑色控制台窗口重新启动即可更多问题可查 docs/cn/faq.md。两档硬件配置参考入门档实时变声显卡NVIDIA GTX 1660 6G 级别 / 4G 以上显存即可预期表现端到端约170ms延迟实时可用进阶档批量训练显卡RTX 3060 12G 级别以上预期表现训练速度大幅提升可从容拉高total_epoch换更好音质注意老卡如 1060/1070/1080、P40会被自动切到 fp32 配置属正常现象。资源汇总这些路径直接用官方 FAQdocs/cn/faq.md小白教程docs/cn/小白简易教程.doc更新日志docs/cn/Changelog_CN.md多语言文档docs/英/日/韩/法/土/葡配置模板configs/inuse/ 内含 v1/v2 各采样率配置预训练模型清单assets/批量推理脚本tools/infer_batch_rvc.py实时变声 GUIgui_v1.py现在就可以开始别只收藏——克隆仓库、装好依赖、录 10 分钟干净音频你离一个专属音色只差一次「开始训练」。记住最好的音色克隆教程就是你亲手跑通的第一次训练。【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
