10分钟语音训练AI歌手RVC WebUI 完整上手路径【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-WebUI10分钟语音就够——这是Retrieval-based-Voice-Conversion-WebUI下文简称 RVC WebUI这条开源 AI 变声框架的入门门槛基于 VITS 架构用它就能把一段人声训练成可复用的音色模型4GB 显存的显卡即可跑起来。这篇文章带你从装环境一路做到转换出第一首AI 翻唱。⚙️ 项目速览先看它值不值得折腾项目信息定位基于 VITS 的 AI 变声框架训练音色模型 网页端推理协议MIT可商用硬件门槛4GB 显存可用6GB 显存训练更从容数据门槛推荐至少 10 分钟低底噪语音它和同类工具的差异点在于三件事一是用 top1 检索替换输入特征来杜绝音色泄漏这是它名字里 Retrieval-based 的由来二是内置了 Interspeech 2023 的 RMVPE 音高提取算法显著减少哑音问题还比 crepe 更省资源三是自带 UVR5 人声伴奏分离和 ckpt-merge 模型融合从素材清洗到音色合成都在一个界面里完成不用拼凑多个工具。 动手前的准备装环境与备素材环境安装先确认 Python 版本大于 3.8然后在项目根目录按硬件分支选一条路走NVIDIA 显卡pip install torch torchvision torchaudio再pip install -r requirements.txt主流 N 卡的默认路径AMD 显卡Windowspip install -r requirements-dml.txt走 DirectML 加速AMD 显卡Linux ROCmpip install -r requirements-amd.txt需先装 ROCm 驱动Intel 显卡Linux IPEXpip install -r requirements-ipex.txt启动前需 source Intel oneapi 环境变量clone 仓库并安装依赖以 N 卡为例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另外两件事别漏系统里要有ffmpegLinux 用 apt 装、macOS 用 brew 装Windows 可把 ffmpeg.exe 放到项目根目录还要下载预训练模型文件清单见 README.md 中其他预模型准备一节tools/目录下有现成的下载脚本 download_models.py。RMVPE 音高模型文件需放到 RVC 根目录具体以项目最新文档为准。素材与数据准备最低数据量10 分钟清晰语音效果上限基本由数据质量决定能凑到 20~30 分钟更好格式与采样率WAV 最稳妥44100HzMP3、FLAC 也能解但建议转 WAV 避免二次压缩损失存放路径建一个专门文件夹存训练音频路径里不要出现中文和特殊字符界面对 pth、index 路径有明确提示常见错误多人对话、背景音乐、破音失真都会拉低模型质量带伴奏的歌不能直接当训练素材得先分离人声⚡ 从素材到模型训练全流程启动 Web 界面Windows 用户双击go-web.bat最省事其他系统在项目根目录执行python infer-web.py浏览器会自动打开本地 7865 端口。界面分为模型推理、训练、批量推理、前处理UVR5、ckpt处理几个选项卡我们按顺序来。可选先用 UVR5 分离人声如果素材是带伴奏的完整歌曲先切到前处理UVR5选项卡做伴奏人声分离填入音频文件夹路径按说明选保留人声或仅保留主人声模型批量处理即可。干净的干声是后面所有步骤的地基这一步别省。填实验配置切到训练选项卡第一步是填实验名。界面上有明确提示实验数据放在logs/下每个实验一个文件夹需手工输入实验名路径。给你的音色起个好认的名字纯英文更保险后面找文件全靠它。预处理切片、提音高、提特征填好训练音频文件夹路径后点一键训练系统会先跑预处理。这一步做两件事遍历文件夹里所有可解码音频并切片归一化在实验目录下生成 2 个 wav 文件夹然后用 CPU 提取音高、用 GPU 提取特征。✅ 确认点日志出现 step2b 处理完成、实验目录下生成了 2 个 wav 文件夹说明预处理成功。训练模型与索引预处理完成后继续训练关键参数不必乱动新手按下面这张表来参数推荐值说明训练轮数 epochs100~200界面可调效果不够再加批量大小 batch_size4显存小就降越大越快但吃显存保存频率 save_every_epoch50每 50 轮存一个中间模型方便对比学习率默认 1e-4见 configs/v2/48k.json不建议新手改采样率48k想要更轻量的模型可选 32k训练结束后会顺手生成 .index 特征检索库这是检索式变声的核心文件和 .pth 模型要一起留着。✅ 确认点看到全流程结束字样且assets/weights/下出现了以你实验名命名的 .pth 文件约 60MB 级训练才算成功。做第一次声音转换切到模型推理选项卡点刷新音色列表和索引路径刚训练的音色应出现在下拉框里。单次推理的参数参数推荐值说明变调0整数半音12 升八度、-12 降八度男女互转常用 ±12音高提取算法rmvpe效果最好且资源占用小pm 快但一般harvest 慢Index Rate0.3~0.5索引比率越高越贴近训练集音色保护值 protect0.33默认保护清辅音和呼吸声拉满 0.5 等于关闭输出采样率与模型一致用模型自带采样率即可填好输入音频路径点转换同目录输出结果文件。✅ 确认点输出目录出现结果 wav且能正常播放。第一次成果验证听什么、看什么拿到第一个输出做三个快速自检听音色目标人物的音色特征是否出来了如果像原声加滤镜而不是目标音色多半是数据量不足或轮数不够先加轮数再考虑加数据。听音高变调设 0 时是否跑调唱歌素材配 rmvpe 一般很稳如果大量哑音或跳音换算法或检查素材里是否混入了伴奏。听齿音与撕裂感出现电音撕裂时把 protect 从 0.33 往上抬一点。项目还支持实时变声Windows 下运行go-realtime-gui.bat选好输入输出设备和音色即可边说边变声。官方做到端到端 170ms 延迟用 ASIO 设备可压到 90ms 左右实际体感取决于你的声卡驱动第一次玩建议先用普通耳机麦克风感受一下再折腾低延迟。 高频坑位与排查症状大概率原因一句话修法pth/index 路径报错或提示含中文路径里带中文或特殊字符把模型、索引、素材挪到纯英文数字路径启动或训练时显存溢出批量大小或采样率偏高调小 batch_size或改用 32k 配置转换后是金属音、撕裂声protect 过低或音高算法不匹配protect 升到 0.33 以上算法换 rmvpe下拉框里没有刚训练的音色模型不在 weights 目录或没刷新确认 .pth 在assets/weights/点刷新音色列表和索引路径特征提取慢到怀疑卡死用了 CPU 在跑 GPU 步骤检查 CUDA/DirectML 环境看启动日志里的设备行推理无声或全是底噪输入采样率与模型不一致、音频格式异常统一转成 WAV 再试必要时设 resample 参数如果以上都没解决训练过程的问题看logs/下对应实验文件夹里的train.log环境类问题看启动终端的完整输出多语言文档在 docs/ 目录下如 docs/en/faq_en.md。 跑通之后能用来做什么翻唱一首歌用目标歌手的干声训练音色模型再把你自己或任意人唱的 demo 喂给模型推理变调 ±12 切换男女声线多人合唱场景就分别训练几个模型逐个转换用 UVR5 分离出来的伴奏垫底即可。给视频换配音解说把解说录干声训练成统一音色以后所有视频用批量推理选项卡或 tools/infer_batch_rvc.py 脚本整批转换系列内容的声音就能保持一致。做一个个人音色库同一个人在录音棚、手机、直播等不同场景下的素材分别训练再通过ckpt处理选项卡里的 ckpt-merge 做模型融合得到更稳、更自然的基础音色再配合 Index Rate 微调还原度。想再深入一点调训练参数不改任何源码的前提下高级参数都在 configs/ 下的 JSON 里如 configs/v2/48k.json 的 epochs、learning_rate、batch_size改的是configs/inuse/下运行时加载的副本训练相关设置优先在 WebUI 界面操作。API 调用api_240604.py 提供完整接口api_231006.py 是兼容旧版本适合嵌进自己的自动化流程。简化示例import api_240604 as rvc rvc.set_values([assets/weights/my_model.pth, 0, rmvpe]) # 实际参数以源码为准 rvc.start_vc()多语言界面界面文案集中在 i18n/locale/ 下中英日韩法德等 13 种语言各一个 JSON想看懂某个按钮的原始文案可以直接对照。收尾现在你已经具备10 分钟语音 → 可复用音色模型 → 批量变声的完整链路。更多细节看 docs/ 目录下的多语言文档和 docs/cn/faq.md。别等素材完美再动手——先拿 1 分钟录音跑通一次全流程把报错都撞一遍再回去补 10 分钟正式数据第二个模型你会练得飞快。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考