企业官网建设流程全解析

10 分钟录音炼出专属变声器：RVC 语音克隆新手三步走

【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

RVC（Retrieval-based-Voice-Conversion-WebUI）是一款开源的变声器与语音克隆工具：丢给它 10 分钟目标人声录音，它能训练出一个专属音色模型，之后任何音频进去，都会以这个音色重新输出。适合给视频配音、给游戏角色换声、做翻唱，但不想碰音频工程细节的人。全文按「跑起来 → 听得像 → 用得快」三个阶段走，走完你手里会有一个能实时说话的变声模型。

阶段一 跑起来：从一段录音到训练网页 🚀

这一阶段的目标只有一个：环境装好、网页打开、录音备齐。录音是整个流程里最不可逆的一步，所以先录。

录音十分钟怎么避开底噪

先给结论：总时长 10 到 50 分钟最稳妥；如果录音干净、底噪低、音色有辨识度，5 到 10 分钟也能训出可用模型。录音时盯住三件事：

• 环境要静。底噪会直接进模型，训练轮次再高也压不下去，录音时宁可在安静的房间多录，也别在嘈杂环境里"凑时长"。
• 腔调要有变化。语速、语调、情绪掺着来，模型靠这些样本覆盖不同的发音状态，只念一种腔调的输出会显得很"平"。
• 单条别太长。几十秒到一两分钟一段即可，过长的录音在切分和内存上都是负担。

采样率不用纠结，预处理阶段会自动重采样到训练时选定的档位。另外把训练集放在纯英文/数字的路径里：路径带空格或中文时，ffmpeg 读文件和写清单都可能报错（见 docs/cn/faq.md 的 Q1）。

装环境：按显卡挑对依赖文件

先把代码拉到本地（Python 用 3.12 x64）：

git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI python3.12 -m venv .venv

激活虚拟环境后，按硬件选仓库里对应的依赖文件装：CPU 或 A 卡/I 卡用 requirments_cpu_py312.txt，RTX 50 系以前的 N 卡用 requirments_cu118_py312.txt，RTX 50 系用 requirments_cu128_py312.txt（后两者装依赖前先装对应 CUDA 版本的 torch）。选错的代价很直接：CUDA 版本和显卡对不上，训练时才会爆 CUDA error。

还有两件事不能省：装 ffmpeg（切分和重采样都靠它，Ubuntu 上sudo apt install ffmpeg，macOS 上brew install ffmpeg）；确认 assets 目录里有预训练底模文件。所谓底模，就是官方提前用约 50 小时开源 VCTK 人声数据训好的声学基础模型，你的 10 分钟录音只是在这个基础上微调音色，所以它必须在本地才谈得上训练和推理。

最后启动训练网页：

python webui.py

浏览器会自动打开 webui.py 起的页面，默认监听 7865 端口。Windows 用户更省事：双击 go-webui.bat 走整合包，端口是 7897。

4G 显存能不能训练

能。官方 FAQ（Q8）的态度很明确：4GB 显存的显卡还有救，训练、推理都能完成；低于 4GB 的 3G、2G 老卡建议直接放弃，别折腾。

程序启动时会自动读显存做调整——显存不足 4GB 或架构太老的卡会直接落回保守配置。训练时如果 batch size 缩到 1 还报 out of memory，那就是显卡确实不够，只能换卡或租云 GPU。再提醒一句系统内存：切分音频和音高提取是吃 CPU 多进程的，物理内存不够时把"提取音高和处理数据使用的 CPU 进程数"拉低，或手动把训练音频切短些（FAQ Q14）。

阶段二 听得像：三个训练数字加两下按钮 🎧

训练页只动三个数字

训练选项卡里值得动的数字就三个，其余保持默认：

另外两项顺手设好：采样率选 48k，它对应 v2 底模，是 configs/v2/48k.json 所代表的官方质量上限档；音高提取算法保持默认的 rmvpe（InterSpeech 2023 方案，无哑音、速度快、占显存小），歌声输入想提速可换 pm。确认训练集文件夹路径、填一个实验名（后面找模型全靠它），点"一键训练"。流程会依次跑切分、音高提取、特征提取、训练，核心逻辑在 train/train.py，日志落在 logs/实验名/ 下。

训练完没出现索引？再点一次"训练索引"

训练结束后有两个动作必须做。第一是索引：它会用 faiss 把训练特征聚成检索库，产物是 logs/实验名/ 下 added_ 开头的 .index 文件，决定最终声音保留多少训练集的音色。如果一键训练跑完没看到索引，多半是训练集太大卡住了索引步骤，再按一次"训练索引"按钮就行（FAQ Q2）。第二是切到推理页点"刷新音色"：训练完推理里看不到训练集的音色，先点刷新，还没有再查 logs/实验名/ 下的报错（FAQ Q3）。

推理调音：检索特征占比与电音保护

推理时真正要摸的滑条是"检索特征占比"（index rate）：生成时混入"从训练集检索到的特征"的比例，0 到 1，单条推理默认 0.75。它的本质是治"音色泄露"——当底模或输入源的音质高于训练集时，输出会往它们那边靠，这就是泄露：

• 往 1 拉：音色完全锚定训练集，泄露消失，但音质上限被训练集锁死；
• 拉到 0：不做检索保护，音质可能更好，泄露问题会回来；
• 训练集本身优质且时长足时，模型自己就很少引用外部音色，这个值反而不重要（FAQ Q11）。

变调是整数半音：+12 升八度、-12 降八度。protect 滑条默认 0.33（范围 0~0.5），专门防清辅音和呼吸声被撕出电音，输出有电音时往上拉，但别拉满 0.5——那是关闭保护。

阶段三 用得快：批量、实时与验收 ⚡

批量转换：一个文件夹扔进去

不用开网页逐条点。推理页旁边的"批量推理"选项卡里，指定待转换音频文件夹，输出默认进 opt 文件夹，导出格式可选 wav / flac / mp3 / m4a，点转换后目录里每段音频会被逐个处理完。如果要分享模型，给的是 weights 文件夹下 60MB 以上的那个 .pth 加上配套 .index 文件，别发 logs 下的几百 MB 大文件（FAQ Q4）。

实时变声：170ms 延迟怎么来的

双击 go-realtime_gui.bat 就能打开实时变声界面（realtime_gui.py）。官方数据是端到端 170ms 延迟；换成 ASIO 输入输出设备可压到 90ms，但这非常依赖声卡驱动支持，普通 USB 声卡别期待这个数。

验收：拿没训过的音频听一遍

全部跑通后的最后一道关：在推理页挑一个保存点模型（建议从最早的开始听），上传一段录音里没用过的音频做转换，重点听音色对不对、有没有泄露或电音。对上了，你的专属变声器就成了；不对，翻 logs/实验名/ 的日志或对照 docs/cn/faq.md 逐条排查。

【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