RVC 变声模型训练 6 步走：从 10 分钟录音到可用音色
【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
RVC（Retrieval-based-Voice-Conversion-WebUI）是基于 VITS 的开源变声框架，做 RVC 变声模型训练不用写代码：喂一段人声，就能训出一个把任意音频"换成"这个音色的模型。适合不想碰算法、只想用自己的声音或某个角色声做翻唱、配音、直播的普通人。
它适合哪些场景
先说能帮你干啥，再看怎么装 🎯
- 翻唱换音色：把你唱的干声重唱成目标音色，或把一段人声克隆成可反复复用的"音色资产"。RVC 靠检索式特征替换（意思是转换后尽量不残留输入原声的音色痕迹）来减少这种"串味"。
- 直播 / 游戏实时变声：对麦克风说话，输出即为目标音色，入口在 realtime_gui.py，端到端延迟能压到 170ms 左右，搭配 ASIO 更低。
- 批量处理音频素材：一个文件夹里的多段音频一次性转换，适合做整批配音或多版本素材，WebUI 里单独开了"批量推理"页。
环境准备与安装
一条线走完，从拉代码到打开网页，别跳步。
1. 拿代码
git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI2. 装依赖（当前分支面向 Python 3.12 x64）。按显卡三选一，装错路线会报一堆版本冲突：
- N 卡：先装对应 CUDA 的 Torch，再装对应依赖列表。RTX 50 系用 CUDA 12.8，更老的卡用 11.8。
- A 卡：直接装 requirments_cpu_py312.txt，Windows 上走 DirectML。
- I 卡：同 A 卡，用 CPU 依赖方案。
python -m pip install torch==2.7.1+cu118 torchaudio==2.7.1+cu118 --index-url https://download.pytorch.org/whl/cu118 --extra-index-url https://pypi.org/simple python -m pip install -r requirments_cu118_py312.txt这里以 CUDA 11.8 的 N 卡为例；50 系把版本号换成cu128、列表换成requirments_cu128_py312.txt即可。装完跑一下python -c "import torch; print(torch.cuda.is_available())"，打印True才算显卡真正接上。
3. 补 FFmpeg 与预训练模型：切分、重采样全靠 FFmpeg，Windows 把ffmpeg.exe、ffprobe.exe丢到项目根目录，Ubuntu/Debian 用sudo apt install ffmpeg。模型权重要放进固定目录：assets/hubert_base/（特征模型）、assets/rmvpe/（音高提取）、assets/pretrained/（v1 底模）、assets/pretrained_v2/（v2 底模，效果更稳）、assets/uvr5_weights/（人声伴奏分离）。
4. 启动🚀
python webui.py浏览器会自动打开，默认监听 7865 端口。命令行窗口（黑色控制台）别关，关了页面就断；Windows 用户也可以直接双击go-webui.bat省事。
训练流程六步走
全程在 webui.py 的"训练"选项卡里点按钮完成，底层逻辑在 train/train.py，不用你操心：
- 录音：准备 10 分钟以上、同一人的低底噪干声。建议值：WAV、单声道；易错点——路径带空格或中文括号最易翻车，挪到纯英文简单路径。
- 切分（处理数据）：填训练文件夹路径点"处理数据"，自动切片归一化。建议值：按 3–10 秒一段；易错点——没切出有效音频会报"数据切分没有生成有效训练音频"，先确认素材能正常解码。
- 特征提取：音高算法选
rmvpe（内置最新 RMVPE，比旧pm更快更准），点"特征提取"出 F0 音高和 Hubert 特征。建议值：采样率 40k；易错点——版本 v1/v2 要和底模路径对上，界面会自动切换，别手改。 - 训练：填实验名后点"训练模型"。建议值：total_epoch 先给 20；易错点——batch_size 是按每张显卡算的，显存不够就第一个降它，别硬撑。
- 建索引：训练完点"训练特征索引"生成
.index文件。建议值：默认即可；易错点——数据集太大时这步容易内存不足卡住，重跑一次或缩小训练集。 - 推理验证：到"模型推理"刷新音色列表，选模型加索引传段测试音频。建议值：检索特征占比（决定向目标音色靠拢的强度）从 0.75 起步；易错点——没音色就先翻
logs/实验名下的训练日志查报错。
参数与避坑速查
| 项目 | 建议值 | 说明 |
|---|---|---|
| total_epoch | 20–30 | 轮数太多易过拟合，音色发"塑料" |
| batch_size | 4–8（按显存） | 显存爆时第一个降的参数 |
| 保存频率 | 每 5 轮 | 多留检查点方便回退 |
| 检索特征占比 | 0.5–0.8 | 越高越贴训练集音色，也越易失真 |
| protect 保护值 | 0.33 | 调低更护清辅音/呼吸声，但会削弱索引效果 |
| 报错"数据切分没有生成有效训练音频" | — | 路径带空格/括号，或素材无法解码 |
| CUDA out of memory | — | 训练降 batch_size；推理调小 configs/config.py 里的检索长度 |
| 页面 Connection Error | — | 命令行窗口被关，或 7865 端口被占用 |
进阶入口
- 批量推理：在"批量推理"页给一个待转文件夹，输出到指定目录，整批素材一次搞定。
- ONNX 导出：把模型转成 ONNX 后能塞进别的推理框架或更低延迟的设备，适合做二次集成。
- API 调用：不想点网页的话，webui.py 基于 Gradio 暴露了接口，可以直接用脚本调转换。
- 实时变声集成：realtime_gui.py 支持参数热更新、模型懒加载，换个音色不用重启进程。
💡 先把 10 分钟的干净录音整条流程跑通一遍，哪怕听感一般也别急着调参——素材干净程度对最终效果的影响，远大于任何参数技巧，跑通之后再回头精调。
【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
