RVC 变声器：10 分钟语音数据训练专属音色的实操指南-二趣网

RVC 变声器：10 分钟语音数据训练专属音色的实操指南

【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

想让游戏里的 Boss 用你自己的声线说话？RVC（Retrieval-based-Voice-Conversion-WebUI）就是一个为此而生的 RVC 语音转换工具：只要 10 分钟以内的目标人物语音，就能训练出一个可实时推理的音色模型。

项目定位

基于 VITS 架构的语音转换（Voice Conversion，把输入音频的声音替换成目标音色）框架，WebUI 形式提供，不需要写代码
核心卖点是"数据少也能训"：10 分钟语音即可完成一轮有效训练，对比同类项目动辄需要小时级素材，门槛低一个量级
用检索（retrieval）机制从目标说话人特征库里召回音色特征，能显著减少"音色泄漏"（输出里混入输入说话人特征）的问题
训练、推理、音高提取、UVR5 伴奏人声分离全链路内置，一个项目覆盖从素材处理到成品输出的完整流程
支持 v1 / v2 两代模型，v2 采样率下移、结构更稳，是默认选项

📦 装好并跑起来

环境要求：

Python 3.8（3.8–3.10 均可）
FFmpeg 在 PATH 中
建议 NVIDIA 显卡（≥6GB 显存），CPU 可跑但训练很慢

安装（Windows 用 conda 或 venv 建好 3.8 环境后）：

git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI pip install -r requirements.txt

启动方式：

Windows：双击go-web.bat
Linux：./run.sh
macOS：./run.sh（会自动设置 MPS 相关环境变量）
通用：python infer-web.py --port 7865，首次启动会自动下载预训练底模

启动后浏览器打开 7865 端口，三个关键入口：

训练：填实验名、数据目录，依次点"处理数据 → 特征提取 → 训练模型 → 训练特征索引"
单次推理 / 批量推理：选音色和索引文件，上传音频或直接出结果
配置：configs/config.py 管设备和精度，configs/config.json 指向各版本采样率配置，一般不用动

🎯 核心工作流：从素材到出音

数据准备

把目标音色的素材放进一个文件夹（比如logs/你的实验名/src），单声道、干净录音。质量标准如下：

项目	建议值	说明
采样率	48kHz	训练目标采样率可选 32k/40k/48k，48k 上限最高
格式	WAV	无压缩、单声道，MP3 也行但会有编码损失
片段时长	5–10 秒/段	长音频可先用内置的 UVR5 页签做人声分离再切片
底噪	环境安静	有底噪先做降噪，底噪会直接学进模型

总量 10–20 分钟足够，素材越多越稳。

训练配置

训练页签里真正影响效果的参数不多，对照下表选即可：

参数	推荐值	适用情况
total_epoch（训练轮数）	10–20（默认 20）	数据质量高 10 轮左右即可收敛；数据偏少或偏脏可加到 30+，同时把保存频率调小多留几个 ckpt 挑
batch_size	1–8（按显存）	6GB 显存从 2–4 起步；数据超过 50 条且显存够就提到 8，收敛更快
目标采样率	40k	48k 音质上限更高但更吃显存，40k 是默认折中
是否带音高指导	是	唱歌必须开；纯语音也可开，开了能转调
版本	v2	默认 v2，v1 只用于兼容老模型

点"一键训练"会串联执行处理数据、特征提取、训练模型和索引四步。产物在logs/你的实验名/下（.pth模型）和assets/indices/（.index索引文件）。

音高提取算法怎么选

音高提取算法负责从音频里算出每个时刻的音调（F0），训练和推理时都要选一个：

算法	精度	速度	推荐场景
rmvpe / rmvpe_gpu	高	中高（GPU 版最快）	默认选择，精度和速度平衡最好
harvest	最高	慢	对音高极端敏感的精细场景
dio	中	快	CPU 差但语音质量高的场景提速
pm	低	最快	输入歌声、追求低延迟的场合

默认 rmvpe_gpu 不改也能跑，只有多卡时才需要额外配置 rmvpe 卡号。

推理与调优

单次推理页签里最影响输出的三个参数：

Index Rate（检索特征占比，0–1，默认 0.75）：越大越贴近目标音色。音色不像目标人就调高到 0.8–0.9；听感过于"塑料"、丢失细节就往 0.6 回调
Protect（保护气息和齿音，0–0.5，默认 0.33）：听感发闷、气息丢失时调高；齿音过脆或音色发散时调低
Filter Radius（F0 平滑，0–7，默认 3）：音高曲线抖动、有电流感时调大；跟不准旋律细节时调小

另外两个基础项：升降调（semitone，0 为原调）和输出采样率（选 0 跟随输入）。批量推理页签参数一致，换成目录进目录出。

🎵 两个典型落地场景

场景一：AI 歌手

输入准备：目标歌手的干净人声 15–30 分钟（先用 UVR5 页签从歌曲里分离出人声），切成 5–10 秒片段
执行步骤：训练时"是否带音高指导"必须选"是"；total_epoch 给 20；推理时选同一音高算法，升降调按音域差设置（比如男转女 +12）
得到输出：把你唱的 Demo 或分离后的人声传入，输出目标音色演唱的版本。唱腔不像就优先调 Index Rate，而不是重训

场景二：游戏角色配音

输入准备：你自己（或配音演员）的台词素材 10–20 分钟，覆盖角色需要的语气范围（喊麦、低语、怒音）
执行步骤：按默认参数训练；推理时对每条台词用批量推理页签整目录转换；需要更贴近时把 Index Rate 提到 0.8
得到输出：整组目标音色台词文件，可直接挂进引擎。实时互动场景可参考tools/rvc_for_realtime.py的实现思路

❓ 高频问题速查

训练到一半爆显存（CUDA OOM）：batch_size 减到 1–2；仍不行就目标采样率降到 40k；老卡（1060/1070/1080 等）程序会自动切 fp32，属正常现象不是故障。

输出音色像输入而不像目标音色：索引文件没选对或 Index Rate 太低。确认索引文件和模型同源，Index Rate 提到 0.8–0.9 再听。

听起来有杂音、电流声：先查训练素材底噪；推理端把 Filter Radius 调到 4–5 平滑音高曲线；采样率输出选 0 跟随输入，别强行降采样。

训练完找不到模型文件：模型在logs/实验名/logs/实验名/下的G_*.pth，索引在assets/indices/。只保存了最新 ckpt 的话旧轮次会被覆盖，想留多个就关"仅保存最新"。

转调后声音变形严重：输入和目标音域差太大是主因，用升降调把差值控制在 ±7 个半音内；差太多就换更接近的目标素材再训。

CPU 下训练/推理太慢：CPU 模式可以跑通但不实用，特征提取和训练建议至少用 6GB 显存的 N 卡；只有推理环节可接受 CPU。

FFmpeg 相关报错：确认ffmpeg -version能输出，PATH 里能找到；Windows 也可把 ffmpeg.exe 放进项目根目录。

🔧 进阶方向

批量工作流：tools/infer_batch_rvc.py和infer_cli.py提供无界面的命令行批量转换，适合脚本化流水线
模型融合：在训练时加载别人的预训练底模 G 继续训，或用 ckpt 处理页签把多个 ckpt 按比例融合，能互补两个模型的优劣
显存与性能：低显存卡自动切 fp32 并下调检索相关参数（x_pad/x_query 等，见 configs/config.py），多卡可配置 rmvpe 分卡并行；对推理延迟敏感可导出 ONNX（tools/export_onnx.py）

RVC 用 10 分钟素材换一条属于你的 AI 声线，成本几乎只有等待时间。去准备 10 分钟干净录音，跑你的第一个音色模型吧。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析