手把手10分钟跑通RVC模型融合Retrieval-based-Voice-Conversion-WebUI音色合并实操手册【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当你手里有两个音色各有千秋的模型——一个咬字清晰但偏干一个情感饱满但气息略杂——Retrieval-based-Voice-Conversion-WebUI简称 RVC WebUI的模型融合功能正好解决这个矛盾它把两个训练好的模型.pth按你指定的权重做加权混合输出一张兼顾两边特点的新声卡。融合本质就是逐参数加权平均全程无需重新训练。跟着本文操作完成后你会在assets/weights/目录下得到一个融合后的新模型文件配合任意一个原模型的索引文件就能直接在推理页试听10 分钟内拿到第一版可用音色。上手前检查开始之前确认以下条件Python 3.8 环境已安装项目依赖requirements.txt仓库已通过git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI获取至少两个训练完成的模型文件.pth且版本、网络结构一致基础预训练模型已就位assets/pretrained等目录非空文件类型路径说明待融合模型assets/weights/下的 .pth两个模型需同版本同为 v1 或同为 v2索引文件assets/indices/下的 .index融合产物复用原模型索引全局配置configs/config.json设备、路径等全局参数在WebUI执行模型融合启动WebUI并进入ckpt处理页签在项目根目录执行python infer-web.py浏览器打开控制台提示的本地地址默认 7860 端口在顶部页签中找到「ckpt处理」。页面上方的「模型融合, 可用于测试音色融合」区块就是本次要用的面板。填写两个模型路径在「A模型路径」输入框中填入第一个模型的完整路径如assets/weights/modelA.pth在「B模型路径」填入第二个。两个输入框接受的是完整文件路径直接复制粘贴即可路径拼错会直接报失败。调整A模型权重滑杆拖动「A模型权重」滑杆范围 0–1默认 0.5滑杆数值是 A 模型的占比B 模型自动占1 - 该值。首次融合保持 0.5 即可。设置采样率、音高与保存名「目标采样率」选 40k 或 48k与基础模型训练时一致「模型是否带音高指导」按原模型实际情况选「是」或「否」「模型版本型号」选 v1 或 v2必须与两个原模型一致「保存的模型名不带后缀」填入一个清晰的名字如merged_AB_05「要置入的模型信息」可留空也可写一句备注方便日后识别点击融合按钮查看输出点击「融合」按钮等待「输出信息」框刷新。显示Success.即完成新模型会落在assets/weights/merged_AB_05.pth如果返回架构不一致的报错说明两个模型结构对不上见文末常见问题。调整模型融合参数参数作用推荐起点调整方向A模型权重A 模型在结果中的占比0.5想更像 A 就升到 0.6–0.7更像 B 就降到 0.3–0.4目标采样率新模型标称采样率40k与原模型保持一致不要混选模型是否带音高指导结果是否启用 F0 特征与基础模型一致原模型带 F0 就选「是」模型版本型号结果标记 v1/v2与原模型一致不可跨版本混融调试节奏建议先取 0.5 出第一版试听 → 记录听感哪个特征弱、哪个抢戏→ 向占优方向单侧偏移 0.1 再出一版。比如 0.5 时 A 的咬字优势不明显就试 0.6连续 0.3 / 0.5 / 0.7 三版对比后通常就能锁定目标区间无需更细的步长。进阶玩法批量推理快速对比拿到多个不同权重的融合模型后用 tools/infer_batch_rvc.py 对整个 wav 目录做批量推理比单条试听效率高得多python tools/infer_batch_rvc.py --input_path ./test_wavs \ --model_name merged_AB_06 --opt_path assets/weights/merged_AB_06.pth \ --index_path assets/indices/modelA.index把--opt_path换成 0.4、0.5、0.6 各版模型名依次跑一遍输出文件摆在一起对照听选权重更直观。常见问题现象可能原因处理方式输出Fail to merge the models. The model architectures are not the same.两个模型版本或结构不一致v1/v2 混用、训练参数不同换成同版本、同结构的两个模型再融融合结果几乎只剩单侧音色A模型权重滑杆偏向一侧把权重拉回 0.4–0.6 区间重新融合融合成功但推理页选不到新模型保存名未填或与已有文件重名换个不重名的名字重新融合一次音质与预期差距明显目标采样率与基础模型不符按基础模型采样率重选「目标采样率」再融更多使用问题可查 docs/cn/faq.md融合逻辑的源码在 infer/lib/train/process_ckpt.py想确认权重如何参与计算可以翻一翻。融合只做参数混合不改变训练质量上限最终音色上限取决于两个基础模型的训练效果。建议优先用训练数据充足、单听已合格的模型做融合定期看一眼 docs/cn/Changelog_CN.md 里的功能更新即可。融合产出的只是权重文件索引不会自动生成试听新模型时直接选用权重占高的那个原模型对应的 .index 文件即可。【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