RVC上手指南：10分钟语音克隆一个AI音色，从装环境到出片的全流程-开发者社区

RVC上手指南：10分钟语音克隆一个AI音色，从装环境到出片的全流程

【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

RVC（检索式语音转换）是一个基于 VITS 的开源 AI 语音克隆框架：喂给它 10 分钟左右的干净人声，就能训练出一个可推理、可实时变声的音色模型。唱歌、配音、做个性化语音助手，走的是同一条训练管线。这篇文章按"先跑通 → 出第一个成果 → 自己训一个 → 卡住了怎么办"的路径带你走一遍，命令都能直接复制。

🚀 把环境装好，界面先亮起来

先通：三步装完

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

依赖文件按硬件区分，选错装不出效果：

文件	适用对象
`requirements.txt`	NVIDIA 显卡（大多数人的情况）
`requirements-dml.txt`	Windows + AMD 显卡（DirectML）
`requirements-ipex.txt`	Intel 显卡（Linux）

再稳：装完依赖还缺一步——下载预训练底模。仓库里提供了现成脚本（tools/download_models.py 走 pip 网络即可，tools/dlmodels.sh需要系统里先装好 aria2），把底模拉到assets/pretrained等目录后再启动：

python infer-web.py --port 7865 # 默认端口就是 7865，不是 7860 python infer-web.py --port 7865 --dml # AMD 用户加上 --dml

浏览器打开http://localhost:7865，能看到"模型推理 / 训练 / ckpt处理"等标签页就成功了。

过来人提醒：脚本默认 Python 3.8（见run.sh、venv.sh），版本别乱升级，依赖链是按 3.8 配的。

🎤 先用现成音色转换出第一段音频

启动界面进"模型推理"标签页，流程就四步：

推理音色下拉框选一个模型。如果下拉是空的，说明assets/weights里还没有任何.pth小模型——先用上面的脚本把预训练底模下下来，或在"ckpt处理"页从logs下提取一个
填入待处理音频的路径，或指定特征检索库（.index）路径
选音高提取算法（默认 rmvpe 就够，各算法差异见文末速记卡）
点"转换"，右下角音频组件里直接试听、下载

两个最影响听感的滑块，默认值先用着：

检索特征占比 index_rate（默认 0.75）：越接近 1，音色越像训练时的目标音色，越偏离你原音频的演绎细节
保护参数 protect（默认 0.33）：保护清辅音和呼吸声，拉满 0.5 等于关闭；如果输出有"电音撕裂"，把它调小一点

变调参数按半音计，0 保持原音高，男声转女声常见的做法是 -12 或 -10 起步再微调。

📝 喂 10 分钟数据，训练出自己的音色模型

数据准备：找一个文件夹，放目标人声 10–30 分钟，尽量干净、无伴奏、无大段静音。训练页"step2a"会自动遍历该文件夹下所有能解码的音频，做切片和归一化，你不用自己预处理。

训练页配置（step1）：

实验名：自定义，所有产物都进logs/实验名/
目标采样率：默认 40k；v2 支持 32k/40k/48k，v1 只有 40k/48k（32k 仅 v2）
模型版本默认 v2；"是否带音高指导"唱歌必须开
预训练底模路径会随版本和采样率自动切换，一般不用动

然后点"一键训练"，它依次跑：处理数据 → 提取音高和特征 → 训练模型 → 训练特征索引，四步全绿即结束。想分步验证就分别点"处理数据""特征提取""训练模型""训练特征索引"。

训练设置的默认值（保存频率 5、总轮数 20、batch_size 按显存自动算）对小数据集是合理起点，小数据可以把"缓存至显存"设为是来提速。

训练完成后：大文件 checkpoint（G_轮数.pth）留在logs/实验名/里，但推理界面只认assets/weights/下的小模型。去"ckpt处理"页把 logs 下的 checkpoint 填进"模型提取"，点提取即可；以后想省事，训练时把"是否在每次保存时间点将最终小模型保存至weights文件夹"设为是，就不用手动提取了。

过来人提醒：换采样率不能在旧实验上续训，起一个新实验名从头练。

🩺 卡点了：按阶段对号入座

启动阶段

界面打不开：先确认终端里的实际端口，再试python infer-web.py --port 7861换个端口；仍不行就查防火墙。

音色下拉为空：九成是没下底模，或下错了目录。确认assets/pretrained、assets/pretrained_v2下有对应.pth，然后在推理页点"刷新音色列表和索引路径"。

音频处理失败/报 ffmpeg 相关错误：音频处理依赖系统的 ffmpeg，ffmpeg -version能出版本号才算装好；同时保证音频路径里没有中文、空格和特殊符号，这两条能排掉大半报错。

训练阶段

CUDA out of memory：第一步把 batch_size 调小，或关闭"缓存所有训练集至显存"；再深入一点，显存档位参数在 configs/ 的32k.json/40k.json/48k.json里，实际生效的是自动复制出来的 configs/inuse/ 目录（改动后需要重启 WebUI）。

特征提取失败 / tensor 尺寸不匹配：通常是训练文件夹里混进了坏文件或极短音频。清掉异常文件，重新"处理数据"再走一遍特征提取。

推理阶段

训完的模型不显示：记住那条规则——推理只读assets/weights。把 logs 下对应轮数的G_xxx.pth用"ckpt处理 → 模型提取"转成小模型，再点刷新。

索引文件找不到：训练特征索引生成的.index会在logs/实验名/下，并软链到assets/indices（外部索引目录名是outside_index_root），推理页下拉会自动检测；没有对应索引也能推理，只是音色还原度差一些。

🧪 进阶玩法：批量转换、模型融合与调参

批量推理：同一标签页下的第二个子页签，给一个文件夹（或上传多个文件），选输出目录（默认opt）和导出格式（wav/flac/mp3/m4a），一次转完
伴奏人声分离：单独的 UVR5 标签页，把带伴奏的音频先分离出纯人声，是拿到干净训练数据最实用的前置步骤
模型融合：在"ckpt处理"页填两个模型路径 + A 模型权重（0–1），得到一个混合音色的新模型，适合拿两个相近音色做交叉测试
ONNX 导出：同一标签页最下方，把小模型转成 onnx 用于更轻量的推理部署

推理调参速记卡：

参数	默认	作用与调整方向
index_rate	0.75	音色相似度 vs 演绎保真度；像但"死"→调低
protect	0.33	防电音撕裂；有撕裂→调小，没音色感→调大
f0up_key	0	半音数；-12 降八度，12 升八度
音高提取算法	rmvpe	见下表

算法	特点
rmvpe	效果最好，微吃 GPU，默认首选
harvest	低音表现好，但很慢
dio	高质量语音 + CPU 偏弱时提速
pm	最快，精度低，歌声场景可用