企业官网建设流程全解析

RVC变声实操指南：用10分钟语音训练出你的AI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

Retrieval-based-Voice-Conversion-WebUI（RVC）是基于VITS架构的开源语音转换框架，10分钟目标音色的音频就能训出一个变声模型。读完本文，你能在网页界面完成训练、生成索引，并把一段普通录音转成目标音色。

一、准备工作：环境与数据清单

先对照下表检查机器和素材，全部满足后再进入安装。

数据侧建议：文件路径用纯英文，单段音频控制在10秒左右，混音歌曲先用工具抽干人声再进训练集。

二、核心流程：从代码到变声的6步

第1步 克隆项目

• 做什么：拿到源码，进入项目目录。
• 怎么做：

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

• 怎么算成功：目录下能看到 infer-web.py、configs、assets 等条目。

第2步 安装依赖

• 做什么：建独立虚拟环境，装PyTorch和项目依赖。N卡装 requirements.txt，A卡/I卡改装 requirements-dml.txt。
• 怎么做：

python -m venv venv pip install torch torchvision torchaudio pip install -r requirements.txt

• 怎么算成功：安装过程无报错，且命令行里 ffmpeg -version 能输出版本号。

第3步 下载预训练模型

• 做什么：拉取训练所需的hubert、rmvpe、底模和UVR5声伴分离模型。
• 怎么做：

python tools/download_models.py

• 怎么算成功：assets/hubert、assets/pretrained、assets/pretrained_v2、assets/uvr5_weights 里出现对应的 .pt / .pth 文件。

第4步 启动WebUI

• 做什么：打开网页操作界面。
• 怎么做：

python infer-web.py

• 怎么算成功：浏览器自动打开 http://localhost:7865，页面有"模型推理""训练""ckpt处理""Onnx导出"四个页签。注意这个控制台窗口不要关，关了页面就连不上了。

第5步 训练音色模型

• 做什么：在"训练"页签填写实验名（如 mi-test）、目标采样率选40k、勾选模型带音高指导（唱歌必选）、版本选v2，填入训练音频文件夹路径。
• 怎么做：直接点"一键训练"，它按固定顺序执行——切片归一化→提取音高和特征→训练模型→训练索引。
• 怎么算成功：输出信息出现"全流程结束"；logs/mi-test 下有 G、D 开头的checkpoint文件，且生成 added_ 开头的 .index 索引文件。

第6步 推理变声

• 做什么：把待转换的音频丢给新训的音色。
• 怎么做：切到"模型推理"页签，先点"刷新音色列表和索引路径"，在下拉框选中 mi-test，填入输入音频路径，音高提取算法选rmvpe，点"转换"。
• 怎么算成功：输出区域出现可播放的音频，音色接近目标声线，且听不出原说话人的痕迹。

三、参数怎么调

其余滑块（变调、rms_mix_rate、resample_sr0等）先保持默认，确定基础流程跑通后再逐项对比试听。

四、出问题了

五、一个完整案例

场景：把清唱录音换成某歌手音色做翻唱。

• 数据：18分钟从成品歌曲里用UVR5分离出的干人声，切成约100段
• 硬件：RTX 3060 12GB
• 配置：40k采样率、v2版本、带音高指导，total_epoch=20，batch_size=6
• 耗时：切片加特征提取约15分钟，训练约40分钟，建索引约5分钟
• 效果：推理端 index_rate=0.75、protect=0.33、变调0，音色贴合度高，无明显源音色泄露；人声再与伴奏重新混音即可成片

如果只想做说话场景的变声（不做唱歌），训练时可以不勾音高指导，模型会更轻，推理也更快。

六、延伸资料

• 中文常见问题：docs/cn/faq.md
• 英文文档目录：docs/en/
• 核心推理库：infer/lib/
• 训练脚本（预处理/特征提取/训练入口）：infer/modules/train/
• WebUI主程序：infer-web.py
• 预训练模型下载脚本：tools/download_models.py
• 更新日志：docs/cn/Changelog_CN.md

收尾建议

1. 首跑保持全部默认参数，只改实验名和训练文件夹路径，跑通后每次只动一个变量再对比试听。
2. 混音歌曲先过UVR5抽干人声再训练，带伴奏的训练集会直接拉低音质。
3. 把调出满意效果的那组 index_rate 和 protect 值记下来，复用它们比每次盲调更快。
4. 训练有异常先看 logs/实验名/train.log，绝大多数报错都能在里面找到第一现场。
5. 要分享的模型是 weights 文件夹里60MB以上的小模型，不是 logs 下几百MB的大checkpoint。

流程一旦跑通，剩下的只是数据积累和反复试听的功夫。

【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