RVC变声器用10分钟录音训一个音色模型：新手完整指南-创锋一号

RVC变声器用10分钟录音训一个音色模型：新手完整指南

【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

你要给视频换的嗓音、要翻唱的歌、要给游戏角色换的声音，本人不配合。RVC（Retrieval-based Voice Conversion WebUI）干的就是这件事：喂它 10 分钟目标音色的录音，它训出一个音色模型，之后任何音频进去都以那个音色出来。面向配音、游戏换声、翻唱场景，不碰音频工程的新手也能走完全程。

显存与系统最低门槛

先确认机器合格，不合格先别开始录音。

NVIDIA 显存 ≥4GB 可训练可推理；3GB、2GB 老卡按官方 FAQ 建议直接放弃
AMD/Intel 或无独显：走 DirectML（Windows）或 CPU 依赖包，只是训练慢
系统 Windows 10 以上或 Ubuntu 24.04，Python 3.12 x64
内存 8GB 以上更稳，切分和音高提取是多进程 CPU 任务
不需要服务器，RVC 训练页就是本地 7865 端口的网页

开跑前要备齐的材料清单

材料	获取位置	数量与质量要求
仓库代码	gitcode 仓库，见主流程一命令	最新版
底模文件	HuggingFace 模型仓库 lj1995/VoiceConversionWebUI，用 huggingface_hub 下载	hubert_base、rmvpe、pretrained、pretrained_v2 四组，缺一不可
目标音色录音	自录或收集	总时长 10~50 分钟，单条 30 秒~2 分钟，底噪低
ffmpeg	Ubuntu 用 apt、macOS 用 brew、Windows 把 ffmpeg.exe 丢进项目目录	近期任意版本

录音是整个流程里最不可逆的一步：环境安静、语调有变化、别只念一种腔调。音色有辨识度且底噪低的话 5~10 分钟也能出可用模型，但建议留余量。

主流程一：装依赖并下载底模

做三件事：拉代码、建环境、按显卡装依赖，再下四组底模到 assets/。

git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI python -m venv rvc-env

激活虚拟环境后按硬件装依赖：NVIDIA 非 50 系pip install -r requirments_cu118_py312.txt，50 系requirments_cu128_py312.txt，CPU/AMD 用requirments_cpu_py312.txt。

底模下载：

pip install huggingface_hub hf download lj1995/VoiceConversionWebUI "hubert_base/*" --revision main --local-dir assets hf download lj1995/VoiceConversionWebUI "rmvpe/rmvpe.pt" --revision main --local-dir assets hf download lj1995/VoiceConversionWebUI "pretrained/*" "pretrained_v2/*" --revision main --local-dir assets

完成标准：assets/ 下能看到 hubert_base、rmvpe、pretrained、pretrained_v2 四个目录；跑python -c "import torch; print(torch.cuda.is_available())"打印 True。底模不全，训练和推理都起不来。

主流程二：启动训练页并跑一次训练

python webui.py

浏览器自动打开 7865 的训练页，无桌面环境用python webui.py --noautoopen后手动访问。训练页改四处：训练集文件夹、实验名（全局唯一，以后找模型全靠它）、采样率 48k 对应 v2 底模、音高提取算法 rmvpe。其余保持默认，点一键训练，流程依次过切分、音高提取、特征提取、训练，数据预处理逻辑在 train/preprocess.py。

完成标准：日志打出 Training is done；logs/实验名/ 下出现几百 MB 的 D_*.pth 检查点文件。

主流程三：训练索引并转换第一段音频

一键训练结束不会自动加索引。回训练页点"训练索引"，logs/实验名/ 下出现 added_ 开头的 .index 文件即成功。

进 RVC 的模型推理页：刷新音色，选中刚训的模型和索引，上传一段音频转换，在页面输出区听转换结果。

完成标准：输出应是"训练集那个人在说输入的内容"。听出输入源音色，说明发生了"音色泄露"，对照下表调 index rate。

参数速查表

参数	怎么设	为什么
总轮数	底噪大 20~30 轮；干净且时长足 200 轮	底噪大的数据训太多轮，模型会把噪音也学进去（官方 FAQ 明确说法）
batch size	用页面默认，OOM 往下调一档	默认按显存自动估算（约为显存 GB 数的一半），是稳定起步值
index rate	默认 0.75；音色泄露就往 1 调	越接近 1 越锚定训练集，输入源音色漏得越少
protect	默认 0.33，输出有电音再调高	专门防清辅音和呼吸声撕裂
底模与采样率	48k + v2 底模	官方配置里质量上限最高的一档，见 configs/v2/48k.json

验证与排错

验证动作：从录音里挑一段没用进训练集的音频，在推理页转换后听——音色对得上，整条 RVC 换声链路就跑通了。

常见失败症状：

训练报 CUDA out of memory：batch size 调小；降到 1 还 OOM 就是显存不够，换卡或租云 GPU
训练完成但没有 added 索引：训练集太大卡住加索引步骤，重按一次"训练索引"
ffmpeg error 或 utf8 error：多半不是 ffmpeg 本身，而是音频路径带空格、括号或中文，改成纯英文路径
音色偏输入源：调高 index rate；训练集优质且时长长时模型本身不怎么写外部音色，这个值反而不重要

跑通之后两条进阶路线值得试：实时变声入口 realtime_gui.py，官方端到端延迟 170ms，用 ASIO 设备可压到 90ms；以及 tools/uvr5/ 的 UVR5 人声分离，先把伴奏和人声拆开再转换。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析