RVC 变声器完整指南：4G 显存克隆专属声音模型-二趣网

RVC 变声器完整指南：4G 显存克隆专属声音模型

【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

Retrieval-based Voice Conversion WebUI（下称 RVC）是基于 VITS 架构的开源变声器与语音克隆工具：喂给它一段目标人声录音，它训练出一个音色模型，之后任何音频输入都会以那个音色重新输出。本文先给出硬件门槛和准备清单，再依次走查数据、环境、训练参数，以及训完之后最容易被漏掉的两步。

🎯 门槛清单：跑 RVC 语音克隆模型要备齐什么

先回答最关心的问题：我的显卡够不够用？

结论：4G 显存是训练和推理的及格线。程序启动时会自动读显存大小并调整内部参数，4G 以下会改用更保守的分块配置；如果 batch size（每轮训练喂给显卡的音频量）缩到 1 还报 OOM（OOM 即 out of memory，显存装不下了），那就是显卡确实不够，只能换卡或租云 GPU。官方 FAQ 对 3G、2G 老卡的建议是直接放弃。

还有个隐藏成本：内存。音频切分和音高提取靠 CPU 多进程干活，训练时如果出现文件/内存报错，把页面上的"CPU 进程数"调低，或手动把训练音频切短一些。

动手前确认这四项：

项目	要求
显卡	显存 ≥4G
录音	10~50 分钟目标人声，录音干净时 5~10 分钟可用
底模文件	官方预训练底模，按 README 放到 assets/ 下
音频工具	ffmpeg，切分和重采样都靠它

底模是官方预训练好的通用语音模型，你的训练是在它基础上"微调"，不是从零开始。缺了 assets/ 下的底模，训练和推理都起不来。

10 分钟目标人声录音怎么备

录音决定效果上限，而且是唯一没法事后返工的一步。

要点	做法
环境	尽量安静，压低背景噪音。底噪会直接进模型，训练轮次再高也压不下去
表现力	语速、语调、情绪带点变化，单一腔调覆盖不了全部发音状态
片段长度	几十秒到一两分钟一段，过长对切分和内存都是负担
格式	统一转 WAV；采样率不用纠结，预处理阶段会自动重采样

录音干净、底噪低、音色有辨识度的话，5~10 分钟也能训出可用模型。

RVC 变声器环境安装与网页训练页启动

所有命令都在项目根目录执行：

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

激活虚拟环境后，按显卡装依赖：

显卡	依赖清单
NVIDIA（非 RTX 50 系）	requirments_cu118_py312.txt
NVIDIA（RTX 50 系）	requirments_cu128_py312.txt（两阶段安装见 README）
AMD Windows（DirectML）/ CPU	requirments_cpu_py312.txt

pip install -r requirments_cu118_py312.txt

还有两项准备：安装 ffmpeg（Ubuntusudo apt install ffmpeg，macOSbrew install ffmpeg）；下载底模文件（底模、HuBERT 特征模型、rmvpe 音高模型等），按 README 列出的目录结构放进 assets/ 下。

启动：

python webui.py

浏览器会自动打开 7865 端口的训练网页。Windows 用户也可以直接双击 go-webui.bat 走整合包路线。

⚙️ 4G 显存显卡的训练参数怎么定

训练页里值得动的数字只有三个，其余保持默认：

参数	怎么设	原因
总轮数（epoch）	有底噪：20~30 轮；干净且时长足：可到 200 轮	底噪大的数据训太多轮，模型会把噪音也学进去，轮次再高也拉不动音质
保存间隔	每 10 轮存一个点	逐个试听，挑最早达标的，避免过拟合
批次大小（batch size）	用页面默认，OOM 再往下调	默认按显存自动估算（约为显存 GB 数的一半），是稳定起步值

另两个影响明显的选项顺手设好：

采样率选 48k，对应 v2 底模，是官方配置里质量上限最高的一档（见 configs/v2/48k.json）
音高提取算法选 rmvpe，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

确认训练集文件夹路径、填一个实验名——模型、索引、日志都挂在这个名字下面——点一键训练。流程会依次执行切分、音高提取、特征提取、训练，全程日志写在 logs/实验名/ 下，训练脚本在 train/ 目录。

🔍 训练结束后别漏掉 faiss 索引

faiss 索引是把训练集音色特征做成的一张"检索表"：推理时从中查最接近的音色样本混进来，让输出音色不偏离训练集。跳过它，音质可能不错，但相似度会打折。

点"训练索引"，产物是 logs/实验名/ 下 added_ 开头的 .index 文件。一键训练结束却看不到索引，多半是训练集太大卡住了索引添加步骤，重按一次即可（FAQ Q2）。

推理时 index rate 与 protect 怎么调

切到"模型推理"页，点刷新音色，选中你的模型和索引，上传一段音频转换。重点旋钮是 index rate，范围 0 到 1，默认 0.75：

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
拉到 0：不做检索保护，音质可能更好，"音色泄露"问题会回来
训练集本身优质且时长足：这个值其实不重要，模型自己不太引用外部音色

两个小项：

变调按整数半音算（半音是音高的最小级差），+12 升八度、-12 降八度
protect滑条默认 0.33，防清辅音和呼吸声撕裂，输出有电音就往高调

🎧 批量变声与实时推理

单条跑通后有两个进阶方向：

批量：不用开网页，走命令行推理，目录里的 wav 可以逐个转换，参数示例见 docs/cn/faq.md 的 FAQ Q7
实时：双击 go-realtime_gui.bat 启动实时界面。官方端到端延迟 170ms，换 ASIO 输入输出可压到 90ms，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

最后在推理页挑一个保存点模型，把录音里没用进训练的一段喂进去，输出的音色与原主一致的话，整条流程就通了。

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