企业官网建设流程全解析

10分钟AI语音克隆：Retrieval-based-Voice-Conversion-WebUI（RVC）完整指南

【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-WebUI

Retrieval-based-Voice-Conversion-WebUI（RVC）是基于VITS的开源语音转换框架，用top1检索杜绝音色泄漏，10分钟低噪语音就能训练出可上手的变声模型。游戏变声、AI歌手、影视配音的场景都适用。

📍 项目定位：RVC比同类工具好上手在哪

基于VITS的语音转换工具普遍有两个痛点：训练数据门槛高、音色泄漏难根除。RVC对这两点的解法很直接：

• top1检索：推理时把输入源特征替换为训练集里最接近的特征，从机制上杜绝目标音色混入原声；
• 低训练门槛：约10分钟语音即可出效果，相对弱的显卡也能快速训练。

此外它把UVR5人声伴奏分离和实时变声GUI一并打包，从"原始素材"到"实时输出"是完整链路。

✅ 动手前自查：你的机器能不能跑

只做推理（不训练）的话，有CPU即可运行，只是速度慢。

🚀 从零跑通：四条命令打开RVC WebUI

1. 获取代码

git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI

预期：本地出现 infer-web.py、tools/、configs/ 等目录结构。

2. 安装依赖

pip install torch torchvision torchaudio pip install -r requirements.txt

预期：安装无报错。A卡/I卡用户把第二行换成 requirements-dml.txt 或 requirements-ipex.txt；AMD ROCm（Linux）用 requirements-amd.txt。

3. 下载预训练模型

python tools/download_models.py

预期：assets/ 下出现 hubert 特征模型、RMVPE 音高模型、v1/v2 预训练权重、UVR5 分离权重。

4. 首次启动

python infer-web.py

预期：浏览器打开 http://127.0.0.1:7865（注意默认端口是7865，不是7860），界面含模型推理、模型训练、UVR5人声伴奏分离、ckpt处理四个标签页。

🎤 核心玩法：训练一个模型并完成变声

一键训练：从10分钟语音到可用模型

目的：把原始语音变成 .pth 音色模型 + .index 检索索引。

• 将10分钟语音（切成多个文件）放入一个文件夹，在"模型训练"页把它填为训练数据文件夹
• "实验目录"写一个唯一名称，采样率选40k或48k，勾选F0音高提取，音高提取算法选RMVPE
• 点击"一键训练"

效果：自动完成切分、F0与特征提取、模型训练、索引构建。完成后"模型推理"里可选到新音色，模型文件在 assets/weights/，索引在 logs/实验目录/。

模型推理：单文件一键变声

• 在"模型推理"的"单次推理"页：选推理音色、填输入音频文件路径、选索引
• 变调填整数半音（+12升八度、-12降八度），音高算法选RMVPE，点"转换"

效果：输出音频框里试听并下载。成批文件走"批量推理"子页整目录转换，或在终端跑 tools/infer_batch_rvc.py：

python tools/infer_batch_rvc.py --input_path audio/ --opt_path opt/ --model_name yourmodel --f0method rmvpe

实时变声：麦克风即时换音色

• 终端启动：

python tools/rvc_for_realtime.py

• 在GUI里选择输入声卡、音色、索引，点开始

效果：麦克风声音实时变成目标音色；默认驱动端到端约170ms，ASIO设备约90ms。

⚙️ 进阶调优：三个参数让变声更像人话

1. F0算法固定用RMVPE：效果显著优于harvest/crepe，速度比crepe快，且能消除哑音；唱歌场景想提速可降级用pm。
2. 索引率（检索特征占比）微调：调高后输出音色更贴近目标声线，拉满则韵律会变生硬；默认0.75是平衡起点，按±0.1步长试。
3. ckpt-merge混音：在"ckpt处理"页把两个 .pth 模型按权重比例融合，做出两边都不存在的第三种音色，适合给角色设计专属声线。

⚠️ 避坑指南：新手最常踩的五个坑

• 浏览器没在7860打开→ 原因：RVC默认端口是7865，以终端打印的地址为准；端口被占用时给启动命令加--port 8000。
• 启动报ffmpeg缺失或音频处理失败→ 原因：系统未装ffmpeg；Ubuntu执行sudo apt install ffmpeg，MacOS执行brew install ffmpeg，Windows把ffmpeg.exe放到项目根目录。
• 输出带"电音"、撕裂感→ 原因：清辅音和呼吸声没保护；把protect参数从默认0.33上调（范围0~0.5，越大保护越强，但拉满会削弱索引效果）。
• 哑音或音高跳变→ 原因：F0提取算法不匹配；换用RMVPE，音高曲线仍跳时把harvest中值滤波半径调到≥3。
• 训练完索引下拉框没有.index→ 原因：索引未构建或列表未刷新；手动训练时先"提取特征"再点"训练索引"，最后点"刷新音色列表和索引路径"。

📚 生态与入口

• 中文常见问题：docs/cn/faq.md
• 更新日志：docs/cn/Changelog_CN.md
• 训练核心代码：infer/modules/train/
• 变声管线：infer/modules/vc/
• Docker部署：Dockerfile 与 docker-compose.yml
• 多语言界面文件：i18n/locale/

把语音放好，点下"一键训练"，你的第一个AI音色比想象中更快。项目MIT协议开源，生成语音的使用责任自负。

【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