10分钟语音训出RVC变声模型：从安装到推理的实操指南-开发者社区

10分钟语音训出RVC变声模型：从安装到推理的实操指南

【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

Retrieval-based-Voice-Conversion-WebUI（下称 RVC）是一个基于 VITS 的语音转换框架：用 10 分钟低底噪人声数据就能训出可用的音色模型，自带网页界面、实时变声和命令行推理三条路径。读完本文，你应能完成环境搭建、跑通一次推理，并知道音高、索引率、训练轮数这几个关键参数怎么调。

两个场景，判断它值不值得做

场景一：拿一个人的录音做"AI 歌手"或配音。传统做法要么从零训 TTS 模型（数据量大、周期长），要么直接做声码器推理（效果机械）。RVC 的底模用接近 50 小时的开源 VCTK 数据集训练，你只需要提供目标人物的 10-50 分钟人声，在普通显卡上几小时内得到能用的音色。

场景二：实时变声。RVC 提供了独立的实时界面，文档标称端到端延迟 170ms，配合 ASIO 声卡可压到 90ms，够用于直播和语音通话。

它和早期 VITS 方案的核心差异在音色泄漏问题上：推理时如果输入源的音色"渗"进输出，换出来的声音会带着原说话人的痕迹。RVC 用 top1 检索把输入源特征替换成训练集特征来杜绝这一点，这是它名字的由来，也是调参时 index_rate 存在的意义。

环境准备：四步装完

要求 Python 3.8 以上，显卡显存 4G 起步（训练），推理对硬件要求更低。

第一步，克隆仓库并安装 PyTorch：

git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI pip install torch torchvision torchaudio

第二步，按显卡选依赖文件：N 卡装requirements.txt，A 卡 / I 卡（DirectML）装requirements-dml.txt，Linux 下 A 卡 ROCm 或 I 卡 IPEX 另有对应文件。

第三步，装 ffmpeg（Ubuntu 用sudo apt install ffmpeg，Mac 用 brew，Windows 把 ffmpeg.exe 放到根目录）。这一步别跳过，所有音频切分都依赖它。

第四步，下载预训练资产。仓库tools/目录提供了下载脚本 tools/download_models.py，需要落位的文件包括assets/hubert/hubert_base.pt、assets/pretrained/（v1 底模）、assets/pretrained_v2/（v2 底模，想用 v2 必须额外下）、assets/uvr5_weights/（人声分离），以及 RMVPE 音高提取模型rmvpe.pt。手动下载清单见 README.md 的"其他预模型准备"一节。

第一次跑通：WebUI 与命令行两条路

最短路径是启动 WebUI，然后在网页上完成"切分→提取→训练→推理"全流程：

python infer-web.py

启动后浏览器会自动打开 Gradio 界面。第一次建议直接选"一键训练"，观察消息窗里打印出的每一步命令行——这些命令就是脱离网页手动跑的依据。

不想开网页的话，tools/infer_cli.py 提供了单文件推理入口，核心参数如下：

python tools/infer_cli.py \ --model_name exp1 \ --input_path input.wav \ --index_path assets/indices/exp1/added_IVF256_Flat_nprobe_2.index \ --f0up_key 2 \ --f0method pm \ --index_rate 0.66 \ --opt_path output.wav

它做的事很直接：加载assets/weights/下的模型与索引文件，对输入 wav 做一次变声，结果写到--opt_path。f0up_key是半音偏移（2 即升两度），f0method选音高提取算法，index_rate控制检索混合的强度，默认 0.66。批量处理则用 tools/infer_batch_rvc.py，参数相同，输入换成目录即可。

进阶调参：三个最常见的调优点

问题：输出有哑音、音高断断续续。做法：音高提取算法从默认的 harvest 换成pm（即 RMVPE，Interspeech 2023 的算法）。效果：哑音明显减少，速度比 crepe_full 快、资源占用更小；代价是需先下载 rmvpe.pt（DirectML 环境用 rmvpe.onnx）。

问题：换出来的音色不纯，混着输入源的嗓音（音色泄漏）。做法：调高index_rate，上限为 1。效果：理论上 1 时泄漏消失、音色完全对齐训练集，但如果训练集音质比推理源差，整体音质会被拉低——所以训练集质量差时不要无脑拉满。反过来，训练数据充足且高质量（epoch 拉到 200）时模型自身抗泄漏能力强，index_rate 的重要性下降，索引文件甚至可以不给。

问题：训练完的模型文件几百 MB，没法分享。做法：用 WebUI 的 ckpt 选项卡做"小模型提取"（源码在 infer/lib/train/process_ckpt.py）。效果：得到 60+MB 的推理用 pth，和索引文件打包分享；同页还有 ckpt-merge，可以按比例融合两个模型微调音色。

常见坑：三个高频报错

现象一：ffmpeg error 或 utf8 error。真实原因大概率是音频路径里有空格、括号或中文，而不是 ffmpeg 本身。解法：把素材挪到纯英文短路径下重跑。

现象二：一键训练显示 "Training is done" 但找不到索引文件。两种情况：报错紧跟在成功提示之后时，报错是假的，可以忽略；若确实没有added_开头的 index 文件，通常是训练集太大卡住了索引步骤，再点一次"训练索引"按钮即可。

现象三：把logs/下的训练 pth 直接拿去推理，报 f0、tgt_sr 之类的 key 不存在。原因：那个文件是实验状态存档，不是推理模型。解法：先用 ckpt 选项卡提取小模型，再用assets/weights/下的文件。另外显存不足（out of memory）时，训练侧缩小 batch size，推理侧调小 configs/config.py 末尾的 x_pad、x_query 等参数。