10分钟录音练出自己的变声器RVC语音克隆模型实战指南【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-WebUIRetrieval-based-Voice-Conversion-WebUIRVC是一套网页化的变声与语音克隆工具把目标人声的 10 到 50 分钟录音喂给它训练出一个音色模型之后任何音频输入进去都会以那个音色重新输出一遍。给视频配音、给游戏角色换声、做翻唱靠它一个模型就能覆盖。本文按“录声音 → 跑通训练 → 调好结果”的顺序走完整个流程文中所有数字均出自官方 FAQ 与仓库代码。 录多长的声音10分钟下限50分钟上限先说结论官方 FAQ Q10 给出的建议是总时长 10 到 50 分钟如果录音干净、底噪低、音色有辨识度5 到 10 分钟也能训出可用模型。录音时把握三件事环境尽量安静背景噪音压到最低——底噪会跟着一起被模型学进去训练轮次再高也压不下去语速、语调、情绪带点变化别只念一种腔调不同的发音状态要靠这些样本去覆盖单条片段控制在几十秒到一两分钟过长的录音会让切分和内存占用都更吃力录完统一转成 WAV。采样率不用纠结切分环节会自动把音频重采样到你训练时选定的档位。 显存门槛4GB 能跑3GB、2GB 怎么办4GB 显存的显卡可以完成训练和推理低于 4GB 的卡比如 3GB、2GB 的老卡官方 FAQ Q8 的建议是直接放弃。程序启动时会自己读取显存大小并调整内部参数4GB 及以下的卡会自动切到更保守的分块配置。如果训练时 batch size 缩到 1 还在报 out of memory说明显卡确实不够只能换卡或租云 GPU。还有一个容易被忽略的瓶颈是系统内存切分和音高提取走的是 CPU 多进程内存吃紧时把“提取音高和处理数据使用的 CPU 进程数”调低或手动把训练音频切短些FAQ Q14。 环境安装与网页启动ffmpeg、底模、7865 端口以下命令都在项目根目录执行git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI python -m venv rvc-env激活虚拟环境后按显卡装依赖仓库面向 Python 3.12 x64# CPU / AMD / Intel pip install -r requirments_cpu_py312.txt # NVIDIA RTX 50 系先装 CUDA 12.8 版 torch再跑这份 pip install -r requirments_cu128_py312.txt # RTX 50 系以前的 NVIDIA 卡先装 CUDA 11.8 版 torch再跑这份 pip install -r requirments_cu118_py312.txt还有两件不能省的事安装 ffmpeg切分和重采样都靠它Ubuntusudo apt install ffmpegmacOSbrew install ffmpeg把预训练模型放到assets/目录下hubert_base、rmvpe、pretrained、pretrained_v2 等缺了底模训练和推理都起不来。仓库 README 给出了现成的下载命令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然后启动python webui.py浏览器会自动打开 7865 端口的训练网页Windows 用户也可以直接双击 go-webui.bat 走整合包路线。⚙️ 总轮数设 20 还是 200训练页只动三个数字训练页里值得动的数字其实就三个其余保持默认参数怎么设原因总轮数 total_epoch数据有底噪20~30 轮音质高且时长足200 轮底噪大的数据训太多轮模型只会把噪音也学进去FAQ Q9保存间隔 save_epoch每 10 轮存一个点间隔小才能逐个试听挑出最早达标的那个避免过拟合批次大小 batch size用页面默认值OOM 就往下调默认按显存自动估算约为显存 GB 数的一半这是稳定起步值另外两项影响明显顺手设一下选项推荐取舍采样率48k搭配 v2 底模官方配置里质量上限最高的一档见 configs/v2/48k.json音高提取算法rmvpe界面标注它效果最好且只占少量显存pm 是轻量选项适合歌声输入时提速确认训练集文件夹路径、填一个实验名后面找模型全靠它点一键训练。流程会自动跑完切分、音高提取、特征提取、训练四步训练主脚本是 train/train.py全程日志写在 logs/实验名/ 下。 训完没有索引怎么办重建检索库训练结束后还有一步不能跳点“训练索引”。它用 faiss 把训练特征聚成检索库对应脚本是 train/train_index.py产物是 logs/实验名/ 下 added_ 开头的 .index 文件。这一步为什么重要索引决定结果保留多少训练集的音色——跳过它推理出来的声音音质可能不错但相似度打折扣。如果一键训练结束没看到索引多半是训练集太大卡住了添加索引的步骤重按一次“训练索引”即可FAQ Q2。 推理检索占比怎么选防音色泄露的关键切到“模型推理”页点刷新音色选你的模型和索引上传一段音频转换。这次推理重点调的是检索特征占比 index rate范围 0 到 1默认 0.75接近 1结果音色完全锁死在训练集上输入源和底模的音色都不会漏进来代价是音质上限被训练集锁住降到 0不做检索保护音质可能更好但“音色泄露”问题会回来反过来训练集本身优质且时长足时这个值反而不重要模型自己已经不太引用外部音色FAQ Q11还有两个参数一起记一下参数默认值作用变调 f0up_key0整数半音12 升八度、-12 降八度保护滑条 protect0.33专门防清辅音和呼吸声撕裂输出有电音时往高调 批量转换怎么做实时变声怎么开批量转换不用开网页命令行直接跑python tools/infer_batch_rvc.py --model_name 实验名 \ --input_path ./input --opt_path ./output \ --index_path logs/实验名/added_xxx.index \ --f0up_key 0 --f0method rmvpe脚本会把输入目录里的 .wav 逐个转换结果落到 --opt_path 指定的文件夹。想说话实时变声双击 go-realtime_gui.bat 启动实时界面入口是 realtime_gui.py。延迟数据是官方给出的端到端 170ms换成 ASIO 输入输出设备可以压到 90ms但后者依赖声卡驱动支持普通 USB 声卡别期待这个数字。最后做一次验收打开推理页挑一个保存点模型从 10 分钟录音里取一段没用过的音频扔进去转换听音色对不对——对上了整个流程就通了。【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