企业官网建设流程全解析

RVC 实战：10 分钟录音，就能训出一个 AI 换声音色

【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

手里只有一段 10 分钟左右的录音——一首歌、一段直播片段——却想让 AI 语音转换实时把"你的声音"变成"那个人的声音"？传统做法要么录音量巨大，要么调参耗时。RVC（Retrieval-based-Voice-Conversion-WebUI）是一个基于 VITS 的变声框架，约 10 分钟低底噪语音数据就能训出一个可用的音色模型，实时变声端到端延迟约 170ms，用 ASIO 设备还能压到 90ms 左右。训练、推理、实时换声全部在一个网页界面里完成，新手友好。

它凭什么只要 10 分钟数据

RVC 不是让模型从零"学合成"，流程拆开就三步：

1. 先听懂：用 assets/hubert/ 里的预训练模型把音频抽成一串特征向量；
2. 再换声：推理时去目标音色的特征库（index 文件）里做 top1 检索，直接把你声音的特征替换成目标音色的特征。仓库简介里写得很直白——用 top1 检索替换输入源特征为训练集特征来杜绝音色泄漏；
3. 最后合成：VITS 模型把替换后的特征还原成能听的声音（infer/lib/infer_pack/models.py）。

所以训练数据要干的事其实不多：填一个特征库，再微调一下底模。而底模本身是拿接近 50 小时的开源高质量 VCTK 数据预训练好的，起点高，少量数据自然够用——这也是"10 分钟数据训练语音模型"能成立的原因。

从零跑通：数据 → 训练 → 换声

装环境

按显卡选依赖文件，N 卡最常见：

pip install -r requirements.txt # NVIDIA pip install -r requirements-dml.txt # AMD/Intel（DirectML）

另外需要装好 ffmpeg（Ubuntu 下sudo apt install ffmpeg），从 tools/ 目录的脚本下载 assets 预训练文件，再把 rmvpe 音高模型放到根目录。

准备约 10 分钟数据

• 选底噪低的干净音频：几首纯人声歌、一段播客就够；带伴奏的先用 UVR5 分离人声（RVC 界面里可以直接调用）；
• 在界面"数据处理"里跑自动切片（逻辑在 infer/lib/slicer2.py）、音高提取（推荐 rmvpe，哑音问题最少）、特征提取；
• 官方 FAQ 的建议区间是 10–50 分钟（见 docs/cn/faq.md），10 分钟是能用的下限。

训练

python infer-web.py

启动 WebUI 后在训练选项卡里点一键训练。两个要点：

• total_epoch：数据底噪大，20–30 轮就够；音质干净、时长足，可以放到 200；
• 训练完你会拿到两样东西：weights/下 60MB+ 的模型文件（用来分享、推理的），和logs/下以added_开头的 index 文件（特征库）。别忘了 index，换声时的检索就靠它。

换声

推理选项卡加载模型、选上 index、调参，输入音频文件就能得到转换结果。想实时用就运行go-realtime-gui.bat，麦克风进、耳机出，延迟 170ms 左右。

效果不够好？先看这几个参数

关键参数都在 configs/config.json（默认值见 configs/config.py）：

调参的优先级：先确认 index 选对了，再调 index_rate，最后才碰 filter_radius。

常见翻车现场与解法

• 一键训练结束却没有 index 文件：大概率是训练集太大把添加索引那步卡住了。点一下"训练索引"重新补建即可，FAQ 里说明已用批处理方式解决内存问题。
• 界面弹 Expecting value / Connection Error：十有八九是代理问题，关掉系统全局或局域网代理再试。
• Cuda out of memory：训练就缩小 batch size；推理就调小 configs/config.py 结尾的x_pad、x_query等参数。4GB 显存是训练的下限，4GB 以下比较痛苦。
• 推理时看不到刚训的音色：先点"刷新音色"；还没有就看logs/实验名/下的训练日志确认是否报错。
• ffmpeg error / utf8 error：八成不是 ffmpeg 的锅，是音频路径问题——路径里带空格、括号等符号，或训练集目录是中文路径。

能用在哪些地方

• AI 翻唱：UVR5 分离人声后把整首歌换成另一个音色；
• 实时变声：直播、游戏、联机开会，端到端约 170ms（ASIO 约 90ms）；
• 角色配音：给虚拟形象、短视频、有声内容训一个专属音色；
• 批量处理：tools/ 里有infer_batch_rvc.py等命令行脚本；
• 服务化：api_240604.py 提供 API 接口，仓库还带 Dockerfile 和 docker-compose.yml 容器化方案。

从哪开始

第一步很简单：备一段 10 分钟左右、底噪干净的录音，python infer-web.py把界面跑起来，按"数据处理 → 训练 → 推理"走完一遍，先出声音。别急着调参——等能稳定出声之后，再用 index_rate 和 filter_radius 去权衡"像不像"和"自不自然"。

【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