企业官网建设流程全解析

RVC WebUI声音克隆实操教程：用10分钟音频做出属于你的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

做视频配音时，想换一种声音念台词却不想重录？RVC WebUI 是一款开源的 AI 变声与声音克隆工具：你只需准备 10 到 30 分钟干净人声，就能训练出一个属于某个音色的模型，之后开口说话即输出该音色。本篇按"装环境 → 放模型 → 启动 → 训出第一个模型"的顺序逐步走完，全部命令可直接执行。

🔎 原理：检索式变声和普通调音高有什么区别

普通变声器只是整体抬高或压低音高，像把整首歌移调，音色信息会跟着失真。RVC WebUI 的做法类似"配音演员参考原声"：它先把你 10 分钟以上的训练音频切成大量片段、存入特征库，推理时用 top1 检索找出与当前输入最接近的片段特征，再替换进合成流程。这样音高、情绪照搬你的输入，音色则稳定来自训练集，源音色不会"泄漏"到输出里。

✅ 开工前自检：先确认你的机器能不能跑

先对照上表判断一次，再往下走，能省掉大半排障时间。

🛠 完整实操：五步训出第一个模型

第 1 步：克隆仓库

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

目的：拿到全部源码与脚本。看到终端输出仓库目录内容即成功。

第 2 步：装依赖

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

第一条装 PyTorch 核心（已装可跳过），第二条按显卡装清单：A 卡/I 卡用户把文件换成requirements-dml.txt。无报错、最后返回命令提示符即成功。

第 3 步：放入预训练模型

python tools/download_models.py

仓库内自带下载脚本，会拉取assets/hubert/hubert_base.pt、assets/pretrained/（v2 模型在assets/pretrained_v2/）以及 UVR5 人声分离权重。若用 RMVPE 音高算法，还需把rmvpe.pt放到项目根目录。看到 "All models downloaded!" 即成功。Windows 用户记得把 ffmpeg.exe 放在项目根目录。

第 4 步：启动 Web 界面

python infer-web.py

终端会打印监听地址。浏览器打开http://localhost:7865出现训练/推理界面即启动成功（整合包的go-web.bat用 7897 端口，原理相同）。

第 5 步：训练第一个模型

在界面的"训练集格式化"页签放入 10 分钟以上低底噪人声，依次走完三步：

1. 切分音频 + 提取音高特征（f0 算法选 rmvpe，效果最稳）；
2. 提取总特征；
3. 填写训练设置：total_epoch默认 20，音质好的训练集可提到 200；save_every_epoch默认 5；batch_size默认按显存自动给出，4GB 显存调成 1。

点击训练后，看到 logs/实验名下出现.pth文件、且 weights 文件夹下生成 60MB 以上的推理模型，即训练成功。训练完把该模型拖进"推理"页签，上传一段你自己的音频点合成，听到目标音色开口，整个闭环就跑通了。

🎛 参数速查：按目标选 f0_method 和 index_rate

三条调优经验：

• index_rate在 0.5～0.8 之间调，值越大越像目标音色，越小越保留你的原始说话方式。
• 训练集底噪大时total_epoch给 20～30 就够，调高只会放大底噪；音质高、时长足（10～50 分钟）才值得拉到 200 左右。
• 4GB 以下显存的卡会自动被程序切成 fp32，此时不要手动追求半精度，先保证跑得动。

🩺 排障清单：现象 → 最可能原因 → 解决动作

• 浏览器打不开界面 / 提示 Connection Error→ 控制台黑窗口被关了，或系统代理拦截 → 保持终端窗口存活；关闭全局代理后重启。
• 处理音频时报 ffmpeg error 或 utf8 error→ 文件路径含空格、括号或中文 → 把音频挪到纯英文、无空格的路径再切分。
• 训练或推理报 CUDA out of memory→ 显存不足 → 训练把batch_size降到 1；推理则调小configs/config.py末尾的x_pad、x_query、x_max。
• 音色有机械感、不自然→ 训练数据不足或参数不匹配 → 数据补到 20 分钟以上，index_rate在 0.5～0.8 间微调，换一种 f0 算法对比。
• 训练显示完成但找不到索引文件→ 训练集过大卡在加索引步骤 → 再次点击"训练索引"按钮即可。

下一步：用训好的.pth加.index到实时变声界面（gui_v1.py）跑一遍麦克风，验证端到端延迟显示。遇到问题按顺序查 docs/cn/faq.md 的问答、configs/ 下的采样率配置，以及 docs/en/README.en.md 的英文对照说明。

【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