RVC 上手教程10 分钟录音从零到出 AI 变声模型【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 10 分钟左右的人声录音丢进 RVCRetrieval-based-Voice-Conversion-WebUI你就能在浏览器里得到一个自己的音色转换模型之后上传任意音频输出的都是目标音色的声音。这个开源框架的技术路线是 VITS 合成加检索式特征替换所有操作都在 Gradio 网页界面里完成内置人声伴奏分离和音高编辑属于目前上手门槛最低的一条 AI 变声 / 音色克隆路线。开工前先回答三个问题你要确认的事达标线说明显卡够不够4GB 显存起步N 卡最顺A 卡、I 卡走 CPU / DirectML 路线能跑只是训练慢素材有没有10–50 分钟低底噪人声同一个人录尽量 WAV、44100Hz、单声道素材干净程度决定效果天花板时间花多少环境 20 分钟训练 30–60 分钟全程不写脚本网页上点按钮另外两件事机器上要能装 FFmpeg切分、重采样全靠它磁盘空出约 5GB 放预训练模型和训练日志。一次装好clone、依赖、模型、启动克隆仓库git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI进入目录激活 Python 3.12 虚拟环境先装好 PyTorch再按硬件装依赖你的硬件做法N 卡RTX 50 系以前装 CUDA 11.8 版 Torch再执行pip install -r requirments_cu118_py312.txtN 卡RTX 50 系装 CUDA 12.8 版 Torch再执行pip install -r requirments_cu128_py312.txtA 卡 / I 卡执行pip install -r requirments_cpu_py312.txtWindows 走 DirectMLLinux 走 CPUmacOS同样装 CPU 依赖即可补齐预训练权重hubert_base、rmvpe、pretrainedV1 底模、pretrained_v2V2 底模等目录从官方 Hugging Face 模型仓库拉取脚本 tools/download_models.py 可以辅助下载。装好 FFmpegUbuntu 执行sudo apt install ffmpegmacOS 用 Homebrew 安装Windows 把ffmpeg.exe和ffprobe.exe放进项目根目录。启动并验证python webui.py浏览器自动打开http://localhost:7865且能看到训练 / 推理选项卡就算装好了。Windows 用户也可以直接双击 go-webui.bat 省掉这一步。最短路径六步出第一个能用的模型第 1 步 备料。把录音放进一个纯英文、无空格的文件夹。完成标志文件夹里是一批 WAV 文件单段时长在 3 秒以上。第 2 步 切分。打开切分音频选项卡填入文件夹路径按 3–10 秒一段切片。完成标志logs/下出现切好的短片段。第 3 步 提取特征。在特征提取选项卡选音高算法rmvPE跑 F0 与 Hubert 特征提取。完成标志日志提示完成训练集目录下多了 f0 和 hubert 特征文件。第 4 步 训练。在训练选项卡填实验名total epoch 给 20–30batch size 按显存给 4–8。完成标志logs/实验名/下生成了 60MB 左右的.pth模型文件。第 5 步 建索引。回到特征提取选项卡点训练索引。完成标志实验目录里出现added_IVF*.index文件并同步进了assets/indices/。索引记录的是训练集的音色分布推理时按它做特征检索控制结果往目标音色靠多近。第 6 步 推理验证。打开推理选项卡点刷新音色列表选中你的模型和索引上传一段测试音频。完成标志试听输出是目标音色的声音节奏对得上。六步走完你手里有两个文件.pth模型和.index索引——分享或迁移时发这两个就够了。logs/下几百 MB 的实验状态文件只在换机器接着训时才需要。从能跑到好听四个参数各讲一句原理参数建议值为什么这么设total epoch20–30轮数够了模型就收敛再往上走会过拟合音色开始发塑料batch size4–8显存不够时第一个该降的参数降它不影响效果只影响速度index_rate索引占比0–1 之间试越高越贴近训练集音色。可以把它理解为调音台推子推到底音色最像本人但细节跟着输入音频走推得低则相反一般从 0.5 起调f0up_key半音数按需 ±3–6控制输出的音调升降跨性别转换基本都要动它底模可以选 V1 或 V2V2 底模基于约 50 小时的开源高质量语料VCTK预训练效果更稳默认选 V2 即可。卡住了怎么办四个高频报错现象ffmpeg error / utf8 error。原因不是 FFmpeg 的锅是音频路径带空格、括号或中文。解法素材挪到简单纯英文路径重跑。现象CUDA out of memory。原因训练 batch 太大或推理段太长。解法训练时降 batch size推理时调小 configs/config.py 里的x_pad、x_query、x_max等检索参数。现象训练完却没生成索引。原因训练集太大索引步骤内存不够。解法再点一次训练索引或缩小训练集规模。现象推理列表里找不到你的音色。原因列表没刷新或训练中途报错。解法点刷新音色还没有就去logs/实验名下的日志看训练报了什么错。浏览器提示 Connection Error 通常是终端窗口被关了——保持它开着或者确认 7865 端口没被别的程序占用。更完整的排查清单在 docs/cn/faq.md。走出 WebUI四个进阶入口实时变声go-realtime_gui.bat 启动 realtime_gui.py端到端延迟约 170ms配 ASIO 声卡能压到 90ms调参热更新、模型懒加载直播和游戏都能用。ckpt 融合WebUI 的ckpt处理选项卡能把两个训练好的模型混成一个新音色也支持微调。批量推理WebUI 的批量推理选项卡直接指定一个音频文件夹整批转换f0up_key音调升降半音数和index_rate索引占比都能在界面上调。文档版本改动看 docs/cn/Changelog_CN_CN.md英文调参经验在 docs/en/training_tips_en.md。下一步现在就录 10 分钟干净人声把上面六步完整走一遍——哪怕第一版效果一般也别停先让流程闭环再回头精调素材和索引占比。RVC 里素材的干净程度比任何参数技巧都管用。【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-WebUI创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考