RVC 人声分离怎么做：UVR5 从环境搭建到批量输出的完整指南

RVC 人声分离怎么做：UVR5 从环境搭建到批量输出的完整指南

【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

Retrieval-based-Voice-Conversion-WebUI（下称 RVC）内置了一套基于 UVR5 的人声分离模块，能把混音里的人声和伴奏拆成两份独立音频，为翻唱训练、去混响修复、素材提取等场景提供干净的声音素材。本文按"先跑通、再理解、后调优"的顺序，带你从零完成第一次分离。

1. 快速上手：从克隆仓库到第一次分离

结论：整个上手链路只有四步——装依赖、放权重、启动 WebUI、在界面上点一次分离。以下按最小必要步骤展开。

1.1 获取代码与安装依赖

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

进入目录后，根据显卡选择对应的依赖清单安装（Python 需 3.8 以上）：

pip install -r requirements.txt # NVIDIA 显卡 pip install -r requirements-amd.txt # AMD 显卡（Linux/ROCm） pip install -r requirements-dml.txt # AMD/Intel 显卡（DirectML） pip install -r requirements-ipex.txt # Intel 显卡（Linux/IPEX）

另外确认系统已安装ffmpeg与ffprobe（macOS 可用brew install ffmpeg，Ubuntu/Debian 用apt install ffmpeg）。分离流程在输入格式不标准时会依赖 ffmpeg 做自动转码。

1.2 准备 UVR5 权重文件

模型文件统一放在 assets/uvr5_weights/ 目录，文件名即界面里可选择的模型名。仓库自带了一份下载脚本 tools/dlmodels.sh，其中列出的 UVR5 权重清单为：

先下载一两个常用的（例如HP2_all_vocals+VR-DeEchoNormal）即可跑通，其余按需补齐。

1.3 启动 WebUI 并执行首次分离

在项目根目录执行：

python infer-web.py

启动后浏览器会自动打开界面，设备（CUDA / Metal / CPU）由 configs/config.py 自动探测，无需手动配置。进入 UVR5 分离选项卡，完成四件事：

1. 选择模型名（对应权重文件名）；
2. 指定输入目录（放歌曲或人声混音）；
3. 分别指定人声输出目录与伴奏输出目录；
4. 设置聚合度（agg）与输出格式，点击开始。

处理完成后，两个输出目录里会按原文件名得到分离后的人声与伴奏文件。

2. 核心能力拆解

分离功能的全部入口在 infer/modules/uvr5/，共三个文件：统一调度、频谱分离、去混响专用网络。理解以下三个能力点，就覆盖了日常使用场景。

2.1 多模型人声/伴奏分离

调度逻辑见 infer/modules/uvr5/modules.py：按模型名路由到不同的分离网络，人声/伴奏两个结果分别写入你指定的目录。选型的判断依据很简单——多声部歌曲选"only_main_vocal"类模型，普通二合一歌曲选通用 vocals 模型。

2.2 去回声与去混响（DeEcho 系列）

VR-DeEcho*系列模型名中含 "DeEcho" 字样时会走 infer/modules/uvr5/vr.py 中专门的去回声预处理分支，比普通分离多一层混响压制。录制环境不好的 demo、翻唱原曲想拿干净人声时，这类模型比普通 vocals 模型更合适。另有一个 ONNX 去混响模型由 infer/modules/uvr5/mdxnet.py 中的MDXNetDereverb网络承载。

2.3 输入自动转码与整目录批处理

modules.py会先用 ffprobe 检查输入：若不是 44100Hz 立体声，自动经 ffmpeg 转码为 44.1kHz 立体声 WAV 再进模型；单声道输入会被自动复制成双声道。输入目录里可以放多个文件，程序逐个处理并打印"文件名->Success"的进度，天然支持批量。

3. 实战工作流：从一首歌到可用的翻唱训练数据

这是 RVC 里 UVR5 最常见的用途：用 UVR5 从原曲中提取人声，再把这些人声作为训练数据去训练自己的音色模型。完整链路如下：

1. 准备素材：挑 3～5 首目标歌手底噪低、混响少的歌，放入一个目录（如my_songs/）。
2. 批量分离：WebUI 的 UVR5 分离选项卡中，输入目录选my_songs/，模型先用HP2_all_vocals跑一遍；若人声带明显"水声"残留，换VR-DeEchoNormal重跑，输出到vocals/。
3. 人工筛选：听一遍输出，保留分离干净的片段。多声部歌曲建议改用HP5_only_main_vocal再提取一次，只留主唱。
4. 喂给训练流程：把筛选后的干净人声集中到一个目录，在训练选项卡中作为训练数据输入（官方建议至少 10 分钟低底噪语音），进入"预处理 → 训练 → 推理"的常规流程。

第二个轻量场景是去混响修复：录制的 demo 房间回声重时，用VR-DeEchoAggressive跑一遍，输出目录得到压过混响的人声，可直接用于后期处理。激进版压制更强但会损失部分自然度，建议 Normal 与 Aggressive 各跑一份对比再定稿。

4. 排错与调优

4.1 常见问题排查

4.2 性能与质量优化要点

• 设备与精度：config.py的device_config()会自动处理大部分情况——老款显卡（如 GTX 10 系）会被强制降级为 fp32 并覆写configs/inuse/下配置，这是正常行为，不用手动改。
• 聚合度（agg）：控制分块之间的重叠平滑程度。值越大边缘越干净但耗时越长；先用中等值起步，对拼接痕迹明显的文件再单独调大重跑。
• 输入规格：44100Hz 立体声文件会跳过转码直接进模型，是效率最高的输入形式；手头的 MP3 直接丢进去也可以，代价是多一步转码时间。
• 输出格式：界面上可选输出格式，翻唱训练、二次处理选无损格式（如 flac/wav），试听对比选压缩格式即可，不影响分离质量。
• 批处理习惯：把同批文件放同一个目录一次跑完；程序处理结束后会自动执行torch.cuda.empty_cache()释放显存，连续跑多批无需手动干预。

5. 延伸探索

• docs/cn/faq.md：中文常见问题，分离、训练相关报错先来这里查。
• docs/cn/Changelog_CN.md：更新日志，了解各版本新增的分离能力与修复项。
• infer/lib/uvr5_pack/lib_v5/modelparams/：UVR5 的分频段参数配置（4band_v2.json等），想理解"为什么分离要分 4 个频段"可以看这里。
• tools/：模型下载、批量推理等辅助脚本，infer_cli.py适合不想开界面时走命令行。

可以立即执行的三步：

1. 按 1.2 清单下载HP2_all_vocals与VR-DeEchoNormal两个权重到 assets/uvr5_weights/，跑通第一次分离；
2. 用同一首歌对比这两个模型的输出，建立对"分离强度"的听觉判断；
3. 挑出一段 30 秒左右的干净人声，接入训练选项卡走一遍完整流程，把 UVR5 和 RVC 训练串成自己的固定工作流。

【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