RVC变声器完整教程：10分钟录音克隆音色，4G显存也能从零跑通-创锋一号

RVC变声器完整教程：10分钟录音克隆音色，4G显存也能从零跑通

【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

RVC变声器（Retrieval-based-Voice-Conversion-WebUI，基于 VITS 的语音转换框架）做的事很简单：你喂给它 10 分钟目标人声的录音，它吐出一个音色模型，之后任何音频丢进去都会"变成"那个人的声音。给视频配音、给游戏角色换声、做翻唱，都是它的典型场景。这篇按"能不能跑 → 数据 → 环境 → 训练 → 调好效果 → 进阶"的顺序走一遍，全部命令在项目根目录执行。

先判断门槛：RVC 显存要求与硬件条件

装环境之前先确认机器够不够格，省得装完才发现问题。

你的配置	结论	说明
4G 及以上显存的 N 卡	✅ 可训练 + 推理	启动时程序自动读取显存并调整内部参数
显存低于 4G（3G、2G 老卡）	❌ 官方 FAQ 建议放弃	见 docs/cn/faq.md Q8：batch size 缩到 1 还 OOM 就是卡不够
无 N 卡（AMD / Intel / 纯 CPU）	⚠️ 能跑，走 CPU 或 DirectML	Windows 上 A 卡可用 DirectML，Linux 走 CPU，速度明显慢

两个容易踩的坑：

系统内存别忽略。切分音频和提取音高是 CPU 多进程干的活，内存吃紧时把训练页的"CPU 进程数"调低，或手动把训练音频切短些（FAQ Q14）。
采样率不用纠结。预处理会自动重采样到你选的档位，原始录音多少 Hz 都行。

准备 RVC 训练数据：10 分钟录音就够

数据是效果上限，也是整个流程里唯一不可逆的一步，所以放在装环境之前想清楚。

官方建议总时长10～50 分钟；录音干净、底噪低、音色有辨识度时，5～10 分钟也能训出可用模型。录制时抓三点：

环境安静。底噪会原样进模型，轮次堆得再高也压不掉。
语气有变化。别只念一种腔调，语速、语调、情绪的多样性决定了模型能覆盖多少发音状态。
单条别太长。几十秒到一两分钟一段即可，过长的录音在切分阶段拖内存。

录完统一转成 WAV 放进一个文件夹。这一步就是 RVC 10 分钟录音的最低要求——数据够干净，后面的调参才有发挥空间。

RVC 训练环境搭建：拉代码、装依赖、下底模

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，按显卡选依赖清单（注意本仓库文件名是requirments_*，少了个 e）：

# CPU / AMD / Intel（Windows 可走 DirectML） pip install -r requirments_cpu_py312.txt # NVIDIA RTX 50 系之前：先装 CUDA 11.8 版 Torch，再装 pip install -r requirments_cu118_py312.txt # NVIDIA RTX 50 系：同上但换 cu128 版 Torch + requirments_cu128_py312.txt

按硬件精确的分步命令写在 README.md 的"环境配置"一节，照着抄即可。

然后补两样必需品：

ffmpeg：切分和重采样全靠它。Ubuntusudo apt install ffmpeg，macOSbrew install ffmpeg。
预训练底模：按 README 的hf download命令把 hubert_base、rmvpe、pretrained 等文件拉到assets/目录。缺底模的话训练和推理都起不来，这一步没有替代方案。

启动 RVC WebUI：三个入口按钮

python webui.py

浏览器会自动打开7865 端口的训练网页；不想折腾环境变量的 Windows 用户直接双击 go-webui.bat 走整合包路线。

训练页的工作流：填训练集文件夹路径 → 起一个实验名（后面找模型、看日志全靠它，建议带日期）→ 点"一键训练"。它会按顺序跑完切分、音高提取、特征提取、训练四步，日志全部落在logs/实验名/下，训练核心代码在 train/ 目录，出问题翻日志和这里即可。

RVC 三个必调参数与两档关键选项

网页上值得动的数字其实就三个，其余保持默认：

参数	怎么设	为什么
总轮数（epoch）	数据有底噪：20～30 轮；干净且时长足：可到 200 轮	底噪大的数据训太多轮，模型会把噪音也学进去（FAQ Q9）
保存间隔	每 10 轮存一个点	间隔小才能逐个试听，挑最早达标的那个，避开过拟合
批次大小（batch size）	用页面默认值，OOM 就往下调	默认值约为显存 GB 数的一半（见 webui.py），是稳定起步值

另外两档顺手设好：

采样率选 48k，对应 v2 底模——官方配置里质量上限最高的一档，参数见 configs/v2/48k.json。
音高提取选 rmvpe（界面默认值）：效果最好且只占少量显存；pm适合歌声输入时提速。

设置确认无误后点"一键训练"，剩下的就是等日志滚完。

RVC 训练后必做的两步：索引 + 推理调参

第一步：训练索引

索引文件决定输出保留多少训练集的音色。跳过它，音质可能不错，但相似度会打折。

在训练页点"训练索引"，它用 faiss 把训练特征聚成检索库，产物是logs/实验名/下added_开头的.index文件。如果一键训练结束没看到索引文件，多半是训练集太大卡住了索引步骤，重按一次"训练索引"就好（FAQ Q2）。

第二步：推理页调两个滑条

切到"模型推理"页，点"刷新音色"，选你的模型和索引，上传音频转换。重点调的是检索特征占比（index rate），范围 0～1，默认0.75：

取值	效果
调高接近 1	音色完全锚定训练集，不会漏出输入源或底模的音色，但音质上限被训练集锁死
调低到 0	不做检索保护，音质可能更好，"音色泄露"问题会回来
训练集本身优质且时长足	这个值反而不重要，模型自己很少引用外部音色

两个辅助旋钮：保护滑条（protect）默认 0.33，专防清辅音和呼吸声撕裂，输出有电音就往高调；变调是整数半音，+12 升八度、-12 降八度。

进阶：RVC 批量推理与实时变声

批量转换不用逐条点。WebUI 的"批量推理"页直接填输入文件夹（或一次上传多个音频），指定输出文件夹，格式可导 wav / flac / mp3 / m4a，参数与单次推理相同（index rate 批量页默认 1.0）。

实时变声：双击 go-realtime_gui.bat 启动实时界面（入口代码 realtime_gui.py）。官方给出的延迟数据是端到端170ms；换用 ASIO 输入输出设备可压到90ms，但那依赖声卡驱动支持，普通 USB 声卡别期待这个数字。

到这里流程闭环了：打开推理页，挑一个保存点模型，把 10 分钟录音里没用过的一段扔进去转换——音色对上了，这套 RVC 训练流程就算跑通了。后续想深入训练细节，可以翻 docs/ 下的多语言文档和 configs/ 里的各采样率档位配置。

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