企业官网建设流程全解析

10分钟录音训出专属音色：RVC变声器完整上手指南

【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

想让视频配音、游戏角色或翻唱换上另一个人的声音，又不想碰音频工程细节？RVC变声器就是干这个的——它来自开源项目 Retrieval-based Voice Conversion WebUI（RVC），你提供 10 到 50 分钟的目标人声录音，它训练出一个音色模型，之后任何音频输进去，都会以那个音色重新输出。下面是从零到跑通的完整流程。

🎙️ 先把录音录够、把硬件门槛确认好

动手之前，先处理整个流程里最不可逆的一环：录音。数据质量直接决定模型的效果上限，录坏了后面怎么调参数都救不回来；硬件不达标也一样，所以两件事放一起说清楚。

录音把握三件事：

• 环境安静：底噪会直接学进模型，训练轮次再高也压不下去；
• 状态有变化：语速、语调、情绪带些起伏，别只念一种腔调，模型靠这些样本覆盖不同发音状态；
• 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占用上都是负担。

时长上，官方 FAQ 建议总时长 10 到 50 分钟；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。录完统一转成 WAV 就行，采样率不用纠结，预处理阶段会自动重采样到你选定的档位。

硬件方面，4GB 显存是底线：4G 的卡可以完成训练和推理，低于 4GB（3G、2G 的老卡）官方 FAQ 的建议是直接放弃。程序启动时会自动读显存大小调整内部参数，页面默认的批次大小约等于显存 GB 数的一半，这就是稳定起步值。训练时如果批次缩到 1 还报 out of memory，那就是显卡确实不够，只能换卡或租云 GPU。另外留点系统内存：切分和音高提取是多进程吃 CPU 的，内存吃紧就把"CPU 进程数"调低，或手动把训练音频切短些。

⚙️ 部署 RVC 训练环境并启动训练页

代码放在项目根目录，按顺序来：

git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI python -m venv rvc-env

激活虚拟环境（Windows 是rvc-env\Scripts\activate，Linux/macOS 是source rvc-env/bin/activate）后，按显卡装依赖。仓库根目录提供了几份依赖清单：NVIDIA 显卡按你的 CUDA 版本装requirments_cu118_py312.txt或requirments_cu128_py312.txt，AMD 显卡（Windows/DirectML）装对应 DML 环境的依赖，纯 CPU 用requirments_cpu_py312.txt，安装命令统一是pip install -r <依赖文件>。

还有两件不能省的事：装 ffmpeg（切分和重采样都靠它，Ubuntu 上sudo apt install ffmpeg，macOS 上brew install ffmpeg）；下载预训练底模文件——仓库里提供了各平台的 dlmodels 下载脚本，缺了 assets 目录下的底模，训练和推理都起不来。

然后启动训练页：

python webui.py

浏览器会自动打开 7865 端口的训练网页（端口被占用时程序会自动往上找可用端口）。Windows 用户也可以直接双击go-webui.bat走整合包路线。

三个关键训练参数 + 两项顺手要改的设置

网页训练页里真正值得动的数字就三个，其余保持默认：

再顺手改两项：采样率选 48k 对应 v2 底模，这是官方配置里质量上限最高的一档（对应 configs/v2/48k.json）；音高提取算法选 rmvpe，界面标注它效果最好且只占少量显存，harvest 低音更好但极慢，pm 适合歌声输入时提速。

最后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"。流程会依次执行数据切分、F0 与 HuBERT 特征提取、模型训练、索引训练，日志全部写在logs/实验名/下，核心训练脚本在 train/train.py。

从"能用"到"好用"：索引、检索占比与防撕裂

训练完只是"能用"，离"好用"还差两步设置。

先别跳过索引。索引文件决定推理结果保留多少训练集的音色：跳过它，输出音质可能不错，但相似度会打折扣。回到网页点"训练索引"，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。如果一键训练结束时没看到索引，多半是训练集太大卡住了索引添加步骤，重按一次"训练索引"即可（FAQ Q2）。

然后切到"模型推理"页，点"刷新音色"，选你的模型和索引，上传一段音频转换。这一页重点调的是检索特征占比（index rate），范围 0 到 1，默认 0.75：

• 调高接近 1：音色完全锚定训练集，不会漏出输入源或底模的音色，但音质上限被训练集锁死；
• 调低到 0：不做检索保护，音质可能更好，但"音色泄露"问题会回来；
• 训练集本身优质且时长足时，这个值反而不重要，模型自己已经不太引用外部音色。

另外两个旋钮：变调是整数半音，+12 升八度、-12 降八度；protect 滑条默认 0.33，专门防清辅音和呼吸声撕裂，输出有电音时往高调。

批量转换与实时变声

批量：不用开网页，WebUI 里自带"批量推理"页签——填一个待转换音频文件夹，指定输出目录（默认 opt），目录里每个音频会被逐个转换后输出。

实时：想说话实时变声，双击go-realtime_gui.bat启动实时界面（对应入口 realtime_gui.py）。官方给出的延迟数据是端到端 170 毫秒；换成 ASIO 输入输出设备可压到 90 毫秒，但后者非常依赖声卡驱动支持，普通 USB 声卡别期待这个数字。

⏱️ 60 秒自检：你的模型到底行不行

跑完一遍流程，用下面四步验证：

1. 打开"模型推理"页，点"刷新音色"，挑一个训练时保存的中间模型（不一定是最后一个）；
2. 上传一段训练时没用过的音频——从你那份 10 分钟录音里截一段没用上的即可；
3. 点转换，听三件事：音色像不像目标、有没有漏出输入源音色、清辅音和呼吸声是否撕裂；
4. 判据：音色对、源音色不漏、无电音，流程就通了。音色不对就换一个保存点重听；有电音就把 protect 往高调；源音色明显漏出就把检索特征占比往上调。

对上了，恭喜，你的专属音色模型已经可以投入使用了。

【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