10分钟音频训出专属音色RVC WebUI 语音克隆变声完整上手指南【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-WebUIRVC WebUIRetrieval-based-Voice-Conversion-WebUI是一个基于 VITS 的开源变声与语音克隆框架核心思路是检索-替换把训练集拆成成千上万个声音特征片段实时分析你的输入声音从库里找出最接近的片段做音色替换。官方推荐只要10 分钟低底噪语音就能训出可用模型4GB 显存的显卡即可训练实时变声端到端延迟约170msASIO 设备可压到 90ms。它解决的是想让麦克风输出变成某个固定音色但不想凑一堆工具的问题。值不值得装跟传统变声器差在哪传统变声器靠改频率、移调声音发硬RVC 走的是检索替换路线输出更贴近目标音色、失真更小。原理一句话把你的声音换成训练集里最像的那段。几个帮你判断的点硬件4GB 显存起步4GB 以下官方建议放弃A 卡/I 卡可走 DirectML 或 CPU 方案。数据1050 分钟训练集音色特征明显时 510 分钟也能出效果。用途直播、游戏配音的实时变声或批量配音素材产出都合适。不想折腾环境网页界面把训练、推理、人声分离UVR5、模型融合都整合好了。维度传统变声器RVC WebUI音色还原度改频率声音发硬检索替换接近目标音色硬件门槛低4GB 显存可跑上手成本装即用需配 Python 环境实时延迟低约 170msASIO 90ms10 分钟装好并启动 WebUI前置条件Python 3.12 x64本分支定向 3.12、ffmpeg训练推理都要用它读写音频、以及目标硬件对应的显卡驱动。Windows 用户可直接装好 Python 后走下面的步骤。第一步clone 仓库并建虚拟环境git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI py -3.12 -m venv .venv .venv\Scripts\activate # WindowsUbuntu 24.04 用sudo apt install -y python3.12 python3.12-venv ffmpeg代替然后python3.12 -m venv .venv source .venv/bin/activate。第二步按硬件装依赖N 卡分 CUDA 11.8 / 12.8 两档CPU/AMD/Intel 走 cpu 文件python -m pip install -r requirments_cpu_py312.txt # 或 N 卡 50 系以前requirments_cu118_py312.txt50 系requirments_cu128_py312.txt装完可跑python -c import torch; print(torch.cuda.is_available())验证输出True说明 GPU 识别正常。第三步下预训练模型到assets/目录hubert_base、rmvpe、pretrained 等python -m pip install --upgrade huggingface_hub hf download lj1995/VoiceConversionWebUI --revision main \ --include hubert_base/* pretrained/* pretrained_v2/* --local-dir assets hf download lj1995/VoiceConversionWebUI rmvpe.pt --revision main --local-dir assets/rmvpe需要 RMVPE 音高提取就保留上面第二条需要 UVR5 人声分离再补下uvr5_weights/*。第四步启动并验证python webui.py你应该看到浏览器自动打开7865端口出现中文界面含数据集处理一键训练推理UVR5等选项卡——界面能正常渲染就说明跑通了。用法手册从训练到出声训练一个专属音色最高频目标用你自己的或某位歌手的声音训一个可推理的.pth模型。步骤准备10 分钟以上干净音频放仓库内某目录网页数据集处理选项卡做切片、特征提取音高提取算法选RMVPE官方说它比 crepe_full 更快、占用更小还能解决哑音问题点一键训练total_epoch按训练集质量定底噪大、音质差 2030 够音质好可上 200。预期结果训练结束后assets/weights/下会生成60MB 的.pth小模型这就是分享和推理用的成品logs/下几百 MB 的大 pth 是实验状态文件不用于推理。关键参数f0method音高提取算法推荐 RMVPEtotal_epoch训练轮数决定模型充分程度别盲目拉高index_rate音色检索强度推理时用它控制像目标音色还是贴合输入。实时变声目标麦克风实时输出目标音色用于直播、游戏配音。启动 realtime_gui.pyWindows 双击go-realtime_gui.bat加载刚训好的模型即可。普通设备端到端约 170msASIO 输入输出可低至 90ms依赖硬件驱动。推理端开半精度is_halfTrue能降低显存占用。批量转换 / 人声分离批量把整批 wav 转成目标音色走 infer/vc/ 的推理管线分离人声与伴奏用内置 UVR5tools/uvr5/模块在 WebUI 的 UVR5 选项卡里操作。核心调参f0up_key移调、index_rate检索强度默认 0.66、f0method音高算法。排障手册报错了对着查ffmpeg error / utf8 error→ 多半不是 ffmpeg 的锅而是音频路径带空格、括号或中文 → 把路径改成纯英文、无特殊字符即可。CUDA out of memory显存不足→ 训练调小batch size到 1 还爆就换卡推理改 configs/config.py 末尾的x_pad、x_query、x_center、x_max。训练完了没看到索引文件→ 训练集太大时添加索引卡住 → 重新点一次训练索引按钮通常能补上。推理听不到训练集的音色→ 索引没加载 → 先点刷新音色再试还不行就查logs/实验名下的 log。音色不像 / 往别的音色跑音色泄露→ 检索强度不够 →index_rate调到 1理论上杜绝泄露但音质会更贴近训练集。4GB 以下显存→ 程序会回退 CPU、速度很慢 → 官方建议换卡别硬跑。它能做什么、做不到什么RVC 做的是音色替换不是 TTS它不能凭空生成新内容你停麦它就停输出严格跟随你的输入节奏。想加混响、变调这类效果得靠外部音频工具。安装与推理的大部分疑难建议先通读自带的 docs/cn/faq.md绝大多数问题那里都有答案更新动态看 docs/cn/Changelog_CN.md。【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