企业官网建设流程全解析

RVC 语音克隆完整教程：用 10 分钟录音做出第一个 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

按本文走完全部操作，你能用目标人 10 分钟的说话录音训练出一个 RVC 语音克隆模型（RVC 全名 Retrieval-based Voice Conversion WebUI，检索式语音转换框架），之后把任意音频转换成这个人的音色。它基于 VITS 语音合成框架，数据门槛低、对显卡要求宽松，是新手做 AI 变声的起步首选。

RVC 环境自查清单：四步启动 WebUI

这一节解决"我的电脑能不能跑起来"。把下面 5 项逐条过一遍，全部满足再动手，能省掉一半的报错排查时间。

1. Python 版本 3.8 以上——依赖用 pip 装，版本过低装不上。
2. 显卡匹配一份依赖文件：N 卡走requirements.txt；A 卡 Windows 走requirements-dml.txt（DirectML 加速）；A 卡 Linux 走requirements-amd.txt（需先装 ROCm 驱动）；I 卡 Linux 走requirements-ipex.txt（IPEX 加速）。选错文件是安装阶段最常见的坑。
3. ffmpeg 和 ffprobe 可用——Linux 用包管理器装，macOS 用 brew 装，Windows 用户把两个 exe 放进项目根目录即可。
4. 预训练模型齐全——assets/hubert、assets/pretrained、assets/uvr5_weights是必选项，想用 v2 版本再加assets/pretrained_v2。不用手动找，仓库自带的 tools/download_models.py 一条命令批量下载。
5. 显存预期：4G 以上显存可以训练，4G 以下基本只能做推理，建议直接用云端算力训练。

自查通过后执行（N 卡示例，其他显卡换对应依赖文件）：

git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI pip install -r requirements.txt python tools/download_models.py

然后启动：

python infer-web.py

浏览器打开http://localhost:7865看到界面即成功；端口被占用就加参数换端口，python infer-web.py --port 7861。

⚠️ 运行期间黑色控制台窗口就是后端服务本体，关掉它界面会直接 Connection Error，需要重启。

第一次 RVC 变声最短路径：从 10 分钟录音到换好音色

这一节只走最短成功路径，每一步都最少必要，参数为什么这么设放在步骤跑通之后统一讲。

准备素材：找目标人 10~30 分钟的录音，导出为 WAV、单声道、44.1kHz，去掉底噪和静音段，全部放进dataset文件夹。质量远比数量重要，同一个人、音色统一即可。

开始训练（「训练」标签页）：

1. 填一个实验名（纯英文即可），目标采样率选 40k；
2. 点一键训练，系统自动完成：切分长音频 → 提取音高和特征 → 训练模型 → 训练索引。中途会持续产出logs/实验名下的G_xxx.pth（生成器）和D_xxx.pth（判别器）；
3. 控制台出现 "Training is done" 即成功，此时已生成added_xxx.index特征检索库（推理时靠它把声音锁在目标音色上）。

做第一次变声（「模型推理」标签页）：

4. 点刷新音色列表和索引路径，在下拉框选中刚训好的模型；
5. 输入待处理音频路径，变调填 0，F0 算法选rmvpe，Index Rate 填 0.6；
6. 点转换，几秒钟到几十秒后听到结果——第一次 RVC 变声完成。

跑通之后再理解这几个参数，改起来心里才有数：

训练中途绝对不能换采样率，否则报 tensor 尺寸不匹配，只能换新实验名从头来。想中断训练时直接关控制台再启动，用相同参数点训练会从上次检查点续训，不会白练。

RVC 调参与报错快速对照：声音不像或报错怎么办

这一节解决两件事：结果不满意往哪调，以及报错对号入座。

效果排查顺序：先数据，再参数，最后采样率。训练集有底噪、爆音、背景人声，或素材不是同一人统一音色，效果上限就锁死了——这比加训练轮数有效得多。数据没问题的话，把 Index Rate 从 0.5 到 0.9 每次加 0.1 逐步试，找最顺耳的值；如果训练集本身优质且时长足，模型就不容易跑偏，Index Rate 甚至可以不纠结。

报错三行式对照（症状 → 原因 → 处理）：

• 症状：ffmpeg error / utf8 error原因：不是 ffmpeg 坏了，是音频路径带空格、括号或中文处理：音频改名、挪到纯英文路径

• 症状：WebUI 弹出 Expecting value 解析错误原因：系统全局/局域网代理干扰了 JSON 解析处理：关闭代理，服务器端的 http_proxy 也要 unset，然后重启 WebUI

• 症状：llvmlite.dll 缺失（Windows 常见）原因：缺 Visual C++ 运行库处理：安装 vc_redist 运行库后重启电脑

• 症状：CUDA out of memory原因：显存不够处理：训练侧把 batch size 调小（最低 1）；推理侧把 configs/config.py 末尾的x_pad、x_query、x_center、x_max酌情调小。4G 以下显存直接放弃训练

• 症状：tensor 尺寸不匹配原因：wavs16k目录里有异常偏小的音频文件，或中途改了采样率继续训练处理：删掉异常文件重新训练；若是改过采样率，换新实验名从头来

• 症状：训练完成但没生成added_开头的索引原因：训练集太大，添加索引步骤卡住处理：手动再点一次「训练索引」

• 症状：推理列表里没有新模型原因：没刷新，或训练过程中断处理：点「刷新音色列表和索引路径」，还没有就查logs/实验名下的日志

💡 如果报 Memory error（内存而非显存），多半是 CPU 进程开太多：把「提取音高和处理数据使用的 CPU 进程数」拉低，并把训练音频手工切短。

进阶玩法：原始音频带伴奏时，先用内置 UVR5 把纯人声分离出来再训练，效果明显更干净；想要混合音色，可用「ckpt 处理」标签页的模型融合（ckpt-merge）把两个模型按权重合成一个。分享模型时注意：logs/实验名下几百 MB 的 pth 是训练存档，不能直接分享——先在「ckpt 处理」标签页底部用「小模型提取」转成weights目录下 60+MB 的轻量 pth，再连同added_xxx.index一起打包发出去。

RVC 模型完成后下一步：三件事

1. 用最短素材闭环一次：找 10 分钟录音完整走一遍训练 + 推理，建立对每个环节时长的手感；
2. 把数据做到 30~50 分钟重训：total_epoch 上调到 100 左右，Index Rate 从 0.5 到 0.9 以 0.1 为步长扫一遍，锁定最贴的音色；
3. 尝试进阶功能：用 UVR5 分离人声重训，再用模型融合把两个模型合成一个，感受音色的可控调整。

延伸资料：更细的问答看 docs/cn/faq.md，索引训练与模型提取的脚本在 tools/infer/。真正拉开 RVC 语音克隆效果差距的从来不是参数玄学，而是训练数据够不够干净、音色够不够统一——数据干净了，剩下的只是重复点按钮。

【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