RVC WebUI 快速上手用10分钟音频训练你的专属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想给游戏角色换上一副特定音色的声音或者用自己喜欢的歌手的嗓音翻唱一首歌传统方案动辄需要小时级录音和数天训练。Retrieval-based-Voice-Conversion-WebUI一般简称 RVC WebUI社区里更常直接叫它 RVC是基于 VITS 的开源语音转换框架最少 10 分钟的语音就能训出一个可用的变声模型。 项目速览它是什么、靠什么原理工作RVC WebUI 是一个跑在浏览器里的声音转换工具。你把一段人声喂给它它会输出换成目标音色、但旋律节奏基本不变的新音频。适合三类人想玩 AI 翻唱的、需要给视频统一解说音色的、以及想要实时变声的。项目是 MIT 协议个人和商业场景都能用。原理可以类比为音色特征换货系统先把输入音频拆成一组组特征码再拿这些码去目标音色的训练数据里检索找到最相近的特征替换掉原特征。换完之后再合成语音出来的是目标音色的音色签名但唱的词、节奏、音高走向还是原来那首。这种 top1 检索替换的做法同时解决了自己声音漏进结果里的问题俗称音色泄漏。✅ 动手前检查清单硬件、软件、数据一次确认类别最低要求如何确认已满足硬件独显N 卡显存 4GB 以上体验最佳A 卡 / I 卡 / 无独显也可跑终端执行nvidia-smi查看型号和显存软件Python 大于 3.8、已装 ffmpegpython -V和ffmpeg -version各查一遍数据至少 10 分钟低底噪人声音频总时长够 10 分钟、无背景音乐、无明显破音注意显存 6GB 时默认批量大小为 44GB 及以下项目会自动把阈值调低小显存能跑但预处理会慢一些。 上手流程环境、启动到第一个转换结果1. 克隆仓库并安装依赖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最后一条按显卡替换A 卡用requirements-dml.txtA 卡 Linux ROCM 用requirements-amd.txtI 卡 Linux 用requirements-ipex.txt。2. 补齐预模型和 ffmpegRVC 依赖几个预训练文件assets/hubert/hubert_base.pt、assets/pretrained、assets/uvr5_weights想跑 v2 底模再加assets/pretrained_v2。使用 RMVPE 音高提取算法还需要根目录下的rmvpe.pt。仓库的 tools/ 目录里有现成的下载脚本。ffmpeg 用系统包管理器安装即可Ubuntu 是sudo apt install ffmpegmacOS 是brew install ffmpegWindows 把可执行文件放到根目录。3. 启动 WebUIpython infer-web.pyWindows 直接双击go-web.bat也行macOS 用bash run.sh。默认监听 7865 端口浏览器打开后是一个分标签页的界面训练、推理、ckpt 处理各管一摊。4. 训练并跑出第一个结果把清洗好的音频放进一个独立文件夹在训练标签页填实验名和数据路径点一键训练系统自动完成特征提取、音高提取、模型训练、生成检索索引四步看到训练完成提示即结束模型存到assets/weights路径可在界面里改训练过程记录在logs/下切到推理标签页选刚训的模型和对应索引上传一段音频点转换第一个 AI 变声结果就出来了。️ 质量调优数据质量与关键参数数据质量决定上限录音环境安静、无背景音乐、无回声话筒距离和音量保持稳定避免破音。10 分钟是下限不是目标值——同样的训练条件下数据越多越稳。参数推荐值为什么这么设批量大小默认 4小显存调 1~24 是 6GB 显存配置调小更稳调大更吃显存学习率1e-4默认值已写入 configs/v1/48k.json新手不建议改音高提取算法rmvpe官方 InterSpeech 2023 方案哑音问题基本杜绝比 crepe_full 快且占用小索引比率 index_rate从 0.66 起步偏高更像训练集音色偏低更接近原声按听感在 0~1 间调保护阈值 protect0.33保留气声、轻响防止把呼吸声判成噪声后生成杂音想改训练超参可以直接编辑 configs/ 下的 json改网络结构或特征提取逻辑则涉及 infer/lib/infer_pack/models.py 和 infer/lib/train/data_utils.py属于进阶范畴这里不展开。 能玩出什么花样AI 翻唱内置 UVR5 人声分离先把伴奏和人声拆开只把人声过一遍变声再和原伴奏合回去就是一首目标音色的翻唱。视频批量配音模型训一次之后用 tools/infer_batch_rvc.py 对整个目录批量转换保持整个系列视频音色一致python tools/infer_batch_rvc.py --input_path ./input --opt_path ./output --model_name mymodel --index_path assets/indices/mymodel.index --f0method rmvpe实时变声双击go-realtime-gui.bat进入实时界面选好输入输出设备即可说话实时变声端到端延迟 170ms接 ASIO 设备可压到 90ms。 避坑手册新手最常踩的坑Q训练中途报显存不足out of memory把批量大小调小或换 32k 采样率的配置文件configs/v1/32k.json4GB 显存以下建议直接调批量大小为 1。Q推理出来没声音或者特别小声检查音高提取算法是否选了 rmvpe再确认音高偏移值f0up_key和输入匹配——男声转女声一般要 12 左右。另外输入如果是伴奏或噪声极大的音频没有清晰音高输出必然异常。Q启动时报 ffmpeg 相关错误ffmpeg 没装或没放进 PATH。装好后用ffmpeg -version验证Windows 用户确认可执行文件在项目根目录。Q怎么分享训练好的模型把assets/weights下对应的 .pth 文件连同推理索引一起发出即可别打包logs/目录里的大文件。Q路径带中文或空格会怎样特征提取和索引训练步骤容易失败把音频文件夹改成纯英文、无空格的路径再试。Q实时变声延迟能到多少默认端到端 170msASIO 输入输出设备约 90ms具体取决于声卡和驱动换普通驱动的设备别指望 90ms。 进一步学习多语言文档在 docs/ 下含中/英/日/韩/法/葡/土等版本FAQ 可先看 docs/en/faq_en.md。要做 API 集成实时音频流转换看 api_240604.py旧版兼容接口看 api_231006.py界面多语言词条在 i18n/locale/ 里。【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