企业官网建设流程全解析

10分钟语音快速训练AI变声：RVC WebUI完整上手教程

【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

想用自己的声音翻唱一首歌，或者给播客、短视频配一个固定的声音？Retrieval-based-Voice-Conversion-WebUI（简称 RVC）是一款基于 VITS 的免费开源变声框架：你提供 10 分钟左右的清晰人声，它就能训练出一个可用于唱歌和说话的音色模型，训练、推理、实时变声全部在网页界面里完成。适合音乐创作者、视频作者，以及没有深度学习背景但想做出自己的 AI 声线的普通用户。

RVC 能帮你做什么

• 小数据训练音色模型：官方建议 10 分钟到 50 分钟低底噪语音即可，得益于 top1 检索替换输入源特征，能减少音色泄漏
• 网页界面一站式操作：数据预处理、特征提取、训练、索引生成都在 WebUI 里点按钮完成
• 实时变声：端到端延迟约 170ms，使用 ASIO 输入输出设备可压到约 90ms
• 人声伴奏分离：内置 UVR5，从歌曲里快速拆出人声
• 模型融合：通过 ckpt 选项卡的 ckpt-merge 混合两个模型的音色
• RMVPE 音高提取：较新的音高算法，能解决哑音问题，比 crepe_full 更快、占用更小
• A 卡 / I 卡加速：支持 DML、ROCm、IPEX 三种后端

环境准备：显卡、Python 与依赖清单

先看你的显卡选依赖文件，Python 需要 3.8 以上版本：

显存方面，4GB 起步，低于 4GB 的显卡基本不建议尝试。

git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI pip install torch torchvision torchaudio pip install -r requirements.txt

最后一条命令按上表换成你对应的文件。除了 Python 依赖，还需要两样东西：

• ffmpeg：Ubuntu/Debian 执行sudo apt install ffmpeg，macOS 用brew install ffmpeg，Windows 下载 ffmpeg.exe 和 ffprobe.exe 放到项目根目录
• 预训练模型：assets/hubert/hubert_base.pt、assets/pretrained、assets/uvr5_weights三个路径，tools目录里提供了下载脚本；想用 v2 底模还要额外下assets/pretrained_v2。RMVPE 音高模型的rmvpe.pt放在项目根目录

用 WebUI 训练第一个变声模型

数据怎么准备

安静环境、稳定距离录一段至少 10 分钟的清晰人声，避开背景音乐和破音，放进一个独立文件夹（建议放在项目assets下新建目录）。路径里不要有空格、括号或中文，否则会触发 ffmpeg 报错。

一键训练的操作步骤

启动方式按系统选：Windows 双击go-web.bat；Linux/Mac 执行sh ./run.sh或python infer-web.py。打开训练选项卡后，依次填写实验名、数据集路径、采样率（32k/40k/48k）、音高提取算法（推荐 rmvpe）、训练轮数和每张显卡的 batch_size，点一键训练。流程会自动走：提取音高和处理数据 → 训练模型（日志里能看到实时损失值）→ 训练索引。

终端打印Training is done. The program is closed.即训练成功，后面紧邻的报错可以忽略。

产物放在哪里

• assets/weights/下出现约 60MB 的实验名.pth，这是用于推理的模型
• 同名added_xxx.index是音色检索索引
• logs/实验名/下的几百 MB pth 是实验状态存档，供复现或续训，不要拿它去推理或分享

结果验证与参数调整

怎么判断训好了

推理选项卡点刷新音色，列表里能选到你的实验名，说明模型已加载。上传一段测试音频转换后，如果音色不像，先查logs/实验名/下的训练日志，确认训练过程没有中断。

关键参数怎么调

遇到异常怎么办

• 显存不足（CUDA out of memory）：训练就减小 batch_size；推理时调小 configs/config.py 末尾的x_pad、x_query、x_center、x_max
• 训练结束没有索引文件：通常是索引步骤卡住，单独再点一次「训练索引」按钮
• Connection Error：控制台黑窗口被关掉了，重新打开程序
• WebUI 报 Expecting value：关掉系统的局域网/全局代理

更多情况可查 中文 FAQ。

进阶用法：批量转换、API 与分享模型

批量处理一批音频

界面不适合处理几百个文件时，用仓库自带的 tools/infer_batch_rvc.py：

python tools/infer_batch_rvc.py \ --input_path ./input_wavs \ --index_path ./assets/weights/added_IVF256_Flat_nprobe_1.index \ --model_name 实验名 \ --opt_path ./output \ --f0up_key 0 --f0method rmvpe --index_rate 0.5

注意它只处理目录里的.wav文件，输出写入--opt_path指定路径。

把实时变声做成服务

api_240604.py 是一个 FastAPI 实时变声服务，对外提供/inputDevices、/outputDevices、/config、/start、/stop几个接口，可以把它嵌进你自己的客户端，实现"选设备 → 推参数 → 开始/停止"的完整控制。

正确分享模型

把weights/实验名.pth（60MB 左右）和对应的added_xxx.index一起打包发出去，对方解压到 weights 目录刷新音色即可。千万不要分享logs/下的大 pth，直接拿去推理会报 key 不存在的错误。

常见问题

需要多少显存？4GB 起步，batch_size 为 2 时 6GB 足够。4GB 以下的显卡建议放弃训练。

训练多久合适？10 分钟数据在 RTX 3060 上约 1~2 小时。数据量越大越慢，但音质上限也越高。

ffmpeg 报错一定是 ffmpeg 的问题吗？大概率不是。先检查音频路径有没有空格、()或中文。

实时变声延迟高？换 ASIO 设备并把缓冲区调小，关闭后台占音频的程序。

中断的训练能接着跑吗？用相同实验名和参数重新启动，会从上次 checkpoint 继续；中途加数据则换新实验名并拷贝上次的 G/D 文件进去。

下一步

RVC 把"录 10 分钟声音 → 得到一个可用音色模型"这件事压缩到了几个按钮的距离。接下来做三件事：录一段 10 分钟干净人声、跑通第一次一键训练、用推理选项卡转换一首测试歌曲，跑通后再回来调 total_epoch 和 index_rate。

【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