RVC 变声器实操教程：10 分钟录音跑通 AI 变声的完整指南

RVC 变声器实操教程：10 分钟录音跑通 AI 变声的完整指南

【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

这篇 RVC 变声器教程带你从零搭建环境、训练出第一个音色模型，再把一段录音换成目标人物的声音。RVC（Retrieval-based Voice Conversion）是一款基于检索机制的开源变声框架，最大卖点是：只需约 10 分钟低噪录音就能训出效果不错的模型，对新手非常友好。

你将获得：

• 在一台有独立显卡的电脑上完整跑通「训练音色 + 语音转换」全流程
• 能读懂index_rate、f0_up_key、filter_radius这几个关键参数，并据此调优效果
• 掌握 5 类最高频报错的定位方法和一步修复动作
• 知道如何扩展到批量转换和模型融合

原理拆解：一段录音怎么变成另一种音色

RVC 的推理链路可以拆成「输入 → 核心处理 → 输出」三段：

1. 输入：你的原始音频（一段说话或唱歌的 wav）。
2. 核心处理：系统先做两件事——用 Hubert 模型提取内容特征（你"在说什么"），用 RMVPE 算法提取音高曲线（你"喊得多高"）。随后进入检索环节：从训练集的索引里找出与当前片段最相似的特征片段，把源特征替换掉——这一步叫 top1 检索，是"RVC"名字里 Retrieval 的来源，作用是抹掉原说话人的音色痕迹。最后 VITS 声码器（一种把频谱还原成波形的模型）把新特征合成音频。
3. 输出：内容、节奏基本不变，音色换成了训练集人物的 wav。

📌 此处插入：RVC 推理链路示意图（原始音频 → 特征提取 → 检索替换 → 声码器合成 → 目标音色音频）

所以它适合解决这类问题：手里只有一小段干净录音，却想要这个"人"的专属音色来配音、翻唱或做虚拟形象。

配好 RVC 训练推理运行环境

上手门槛：低（预计 30 分钟）

先拿到项目代码

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

再装 Python 依赖

需要 Python 3.8 以上（推荐 3.9–3.10）。先装 PyTorch 及其核心依赖，再装项目依赖。按你的显卡选一份 requirements 文件：

pip install torch torchvision torchaudio pip install -r requirements.txt # N 卡 # A 卡 / I 卡改为：pip install -r requirements-dml.txt # A 卡 ROCm(Linux) 改为：pip install -r requirements-amd.txt

Windows 上 RT30 系列显卡（Ampere 架构）如果跑不起来，尝试给 PyTorch 指定 cu117 版本安装。

最后装 ffmpeg 和 RMVPE 音高模型

ffmpeg 负责音频切分和格式转换，是硬依赖。不同系统的装法不同：

另外下载 RMVPE 音高提取模型的rmvpe.pt文件放到项目根目录（README 中有下载地址说明），否则推理时选不到效果最好的 rmvpe 算法。

完成标志：终端执行ffmpeg -version能打印出版本号，依赖安装过程无ERROR。

启动 WebUI 并备好预训练模型

上手门槛：低（预计 10 分钟 + 模型下载时间）

RVC 训练和推理都依赖几个"底模"（预训练模型、Hubert 特征提取器等）。仓库的 tools 目录里提供了下载脚本download_models.py，一键拉取全部所需文件，包括assets/hubert、assets/pretrained、assets/uvr5_weights（想训 v2 模型还需要assets/pretrained_v2）。

python tools/download_models.py

下载完成后启动主界面：

python infer-web.py

浏览器会自动打开。界面顶部有几个页签：模型推理（单次推理 / 批量推理）、伴奏人声分离&去混响&去回声、训练、ckpt处理、Onnx导出。后面两步主要用后两个和"模型推理"。

完成标志：终端出现Running on local URL: http://127.0.0.1:7865，浏览器打开页面不报错（端口默认 7865，可用--port参数修改）。

处理数据并训练第一个模型

上手门槛：中（首次训练预计 30 分钟–2 小时，取决于数据量和显卡）

在"训练"页签里，整个流程被拆成四个顺序执行的环节，按从上到下的顺序点按钮即可：

数据准备：录音放哪里、要多少？

把目标人物的干净录音（建议 10–30 分钟、无背景噪音、无伴奏）整理到一个文件夹，在训练页填入该路径和实验名。采样率选 48000（v2 模型支持 48k 和 32k），f0提取算法选rmvpe——它比 dio、crepe 更快、资源占用更小，且能明显减少"哑音"（漏掉音高）问题。

前三步：切片 → 音高 → 特征

依次执行：0-音频切片（把长音频切成小片段）、1-提取音高、2-提取特征（Hubert 特征）。每步完成后页面会出现提示，失败一般是路径写错或 ffmpeg 没装好。

最后一步：模型训练

点击训练按钮后，日志区开始滚动。训练参数不用改默认值就能出可用结果：查看 configs/inuse/v2/48k.json 可以看到默认batch_size为 4、learning_rate为1e-4、fp16_run已开启（混合精度，省显存提速）。显存 6GB 以下的显卡如报 OOM，再考虑把batch_size调到 2。

训练轮数（epoch）一般8–15 轮足够，损失曲线基本走平就可以停，不用跑完全程。

训练结束后，在同一页面生成索引文件（index，可理解为训练集特征的"查表目录"，检索环节就是拿它来查的），生成物是一个.index文件，落在assets/indices目录。

完成标志：assets/weights目录下出现以你实验名命名的.pth模型文件，assets/indices下出现对应的.index文件。

跑通第一次语音转换 🎙️

上手门槛：低（预计 10 分钟）

切到"模型推理"页签的"单次推理"分组，按下面四步操作：

1. 选模型：下拉框刷新后选你刚训的.pth模型。
2. 选索引：选对应的.index文件。
3. 设音高：f0_up_key填0表示保持原调；男声想变女声常见填12，女声变男声填-12（单位是半音，一个八度是 12）。
4. 设检索比例：index_rate先填0.7——它控制"多大程度用训练集特征替换你的特征"，越高音色越像但越容易有颗粒感。

上传一段 10 秒左右的测试音频，点击转换，右侧出现可试听的结果音频。

完成标志：输出区出现新的音频波形并能播放，音色明显偏向训练集人物。

调优：让变声更接近目标音色 🎛️

不穷举参数，只给三组最常用的调整逻辑。每组都附上"调完你应该听到什么"，方便验证：

现象一：声音不像目标人物→ 把index_rate从0.5逐步加到0.8–1.0→ 预期变化：音色越来越贴近训练集人物，但超过 1.0 附近可能出现轻微毛刺。

现象二：有明显颗粒感、金属噪、"电子音"→ 把index_rate降到0.5左右，同时适当调高filter_radius（频谱滤波半径，越大越平滑，但高频细节会少一些） → 预期变化：杂音减少，声音变"柔"，高频略闷属正常。

现象三：音高不合适（太高假 / 太低闷）→ 微调f0_up_key（±1 半音为单位试），并确认训练时和推理时的采样率一致 → 预期变化：音高落位自然，不再有"娃娃音"或"地低音"。

三组参数组合对比：

排错：五类高频报错一次看懂

更细的报错（模型加载失败、采样率不匹配等）可查仓库自带的 中文 FAQ 与 训练建议。

延伸：批量转换与模型融合

• 批量转换：WebUI 的"模型推理"页签里有"批量推理"分组；命令行党可以直接用 批量转换脚本，支持指定模型、索引和index_rate等参数。第一步：挑 5 段有代表性的音频放进一个文件夹，先小批量验证参数，再放开跑。
• 模型融合：在"ckpt处理"页签的 ckpt-merge 功能里，可以把两个.pth模型按权重（如 0.6 / 0.4）混合成新模型，用来取长补短或修掉单一模型的瑕疵。第一步：拿自己训的模型和官方底模各按 0.5 权重融一次，对比原声。
• 想进一步减少部署依赖，可以在"Onnx导出"页签把模型导出为 onnx，配套脚本见 tools/export_onnx.py。

下一步就动手：准备 10 分钟干净录音，按默认参数训练第一版模型；推理时把index_rate先锁定在 0.7、f0_up_key按性别填 ±12，跑通后再回来微调这两个数值——比一开始就抠十来个参数效率高得多。

【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