企业官网建设流程全解析

RVC 语音克隆实战：10 分钟训出专属声音模型

【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

想让 AI 用你的音色翻唱一首歌？RVC（Retrieval-based-Voice-Conversion-WebUI）是个把 VITS 做成网页界面的开源声音转换框架：准备 10 分钟左右的清晰人声，训出的模型能把任意一段音频"唱"成接近你的声音。

🚀 从 clone 代码到打开 Web 界面

先拿到代码，clone 之后进入项目目录。

git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI

环境要求 Python 3.8 以上，先装 PyTorch 核心三件套，再按显卡装依赖，N 卡用户直接装 requirements.txt 即可。

pip install torch torchvision torchaudio pip install -r requirements.txt

依赖之后还差一批预训练权重：Hubert 特征模型、f0 底模、v1/v2 基模都要放在assets/下，仓库自带下载脚本，跑一次全部拉齐。

python tools/download_models.py

脚本会把 v1 和 v2 两套底模都拉下来，体积不小，耐心等它跑完。系统没装 ffmpeg 的话补一下，Linux 用sudo apt install ffmpeg，macOS 用brew install ffmpeg，它负责音频切片和转码。都齐了之后启动 Web 界面只需一行，浏览器会自动跳到 7865 端口。训练、推理、UVR5 分轨全在同一个页面里。

python infer-web.py

界面跑起来之后，重点就剩两件事：数据备得干不干净，参数调得对不对。

训练数据怎么备、参数怎么调

数据是效果的大头。总量 10 到 50 分钟，底噪越低越好，安静房间人声直录即可；内容上覆盖正常说话和带情绪的表达，比纯念稿的效果更自然。格式以 wav 为主，采样率 32k 或 48k 两档都有对应底模，同一批数据别混用多个采样率。

在训练页签里指向数据目录、给实验起个名字，点开始之后它会自动切片、提取特征和 F0，然后进入训练。过程产物落在logs/，最终可以分享的模型文件（60MB 上下）会写到weights/。

轮数别盲目拉满，20 到 30 轮之间挑一段试听最顺的 checkpoint 就行。推理阶段把 index_rate 从 0 往上加，输出会越来越靠近训练集音色，听感"更像目标人"。

进阶玩法：实时变声、模型融合、人声伴奏分离

实时变声

一条命令拉起实时链路，官方做到端到端 170ms 延迟，换 ASIO 输入设备能压到 90ms，直播和语音聊天直接可用。

python tools/rvc_for_realtime.py

输入输出设备的采样率要和模型匹配，卡顿多半出在缓冲参数上，先调这个。

模型融合

两个已训好的模型做权重混合，能调出一个谁都不完全像、又像两者的新音色，适合做差异化声音。

python tools/trans_weights.py

两个源模型要同采样率同版本，跨 32k 和 48k 底模混合容易出杂音。

人声伴奏分离

UVR5 分轨直接内嵌在 WebUI 里，一首歌可以拆出干净人声，切片之后直接当训练数据，流程闭环。模型文件在assets/uvr5_weights/，勾选降噪模型后再分离，人声会更干净。

跑出来的干声如果还带混响，优先怀疑源音质量，而不是分离参数。

踩坑速查

• 训练报 CUDA out of memory。显存不够，把 batch size 降到 1 或改用 32k 配置，仍不行就先 CPU 跑通再换卡。
• 训练完找不到 index 文件。索引是独立一步，回索引页签重新生成一次即可。
• 实时变声延迟高、偶发断音。缓冲块太大或后台程序抢 CPU，调小 block 参数，关掉占声卡的软件。
• 转换结果带金属音或哑音。多半是 F0 提取失败或底噪太大，换 RMVPE 重抽音高，数据重新降噪切片。
• 输出音色泄漏了输入说话人。index_rate 太低，推理时调到 0.3 以上再对比听感。
• 启动报 onnxruntime 相关错误。A 卡/I 卡环境装错了依赖，按显卡重装对应的 requirements 文件。

想要"装得上、跑得通、效果够用"的个人级声音克隆，RVC 是目前门槛最低的一条路线；建议先用 10 分钟数据把全流程跑通，再挑实时变声或模型融合其中一个场景深入玩。

【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