10 分钟跑通一次 UVR5 人声提取：免费开源的伴奏分离实操笔记
【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
手里有首歌，想在睡前拿到一条干干净净的伴奏轨，好把明天要录的嗓音铺上去。用 RVC WebUI 里内置的 UVR5 人声提取，一次人声伴奏分离十分钟就能跑完。说白了这就是个免费开源音频分离工具，名字听着唬人，流程不复杂。
信号是怎么被拆成两路的
一首歌录出来的波形里，人声和伴奏在物理上是糊在一起的，UVR5 做的事就是按频谱规律把它们拆成人声、伴奏两路输出，你最后拿到的两个文件夹就是这么来的。它学的是统计规律而不是听音辨物，所以拆得越狠，两路互相串味就越多。伴奏里夹着几缕没抠干净的人声、人声轨里混进一点乐器声，别慌，残留是这类算法躲不掉的正常现象。目标从来不是完美抠净，而是把残留压到你耳朵能接受的范围。
从空仓库到第一次跑通
先拿代码，终端里执行：
git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI进仓库目录，建一个 Python 3.12 的虚拟环境，然后装依赖——这一步只看你的显卡。CPU、AMD、Intel 用户装requirments_cpu_py312.txt；NVIDIA 50 系先装 CUDA 12.8 版 torch，再装requirments_cu128_py312.txt；更早的 N 卡对应requirments_cu118_py312.txt。
装完打一句python -c "import torch; print(torch.cuda.is_available())"验证，N 卡环境打出 True 就说明通了。卡住的话先确认虚拟环境激活了，这是新手最容易忽略的一环。
UVR5 的权重要单独拉一份：
hf download lj1995/VoiceConversionWebUI --revision main --include "uvr5_weights/*" --local-dir assets权重会落到assets/uvr5_weights/目录。如果这条命令卡住或报 404，多半是网络或代理的事，关掉代理重试一次；实在拉不下来，就手动把权重文件放进这个目录，效果完全一样。
启动界面：Windows 双击根目录的go-webui.bat，Linux 或 Mac 直接python webui.py，浏览器随后弹出主页面。点顶部「伴奏人声分离&去混响&去回声」这个标签，右边那一屏就是后面要用的全部字段。
参数只调这一个就够
模型选哪个，决定了参数有没有意义。HP2 和 HP3 是保留人声的一对：没有和声的歌用 HP2 最均衡，想让主人声更完整就换 HP3，代价是可能漏掉一点伴奏；歌里有和声、只想要主旋律时选 HP5，主人声会略微被削弱。去混响、去回声是另一组活：onnx_dereverb_By_FoxJoy（MDX-Net）负责双通道混响，DeEcho-Normal 和 DeEcho-Aggressive 管延迟和回声，Aggressive 更彻底，DeEcho-DeReverb 额外去混响但耗时接近翻倍。
搜"人声提取参数怎么填"的人很多，其实只有一个字段值得你动：人声提取激进程度，也就是聚合度，默认 10，范围 0 到 20。数值往上调，人声抠得更彻底，可伴奏里被顺走的频段也变多，听感上就是伴奏发干；往下调，人声更自然完整，但残留更容易冒头。UVR5 聚合度怎么调没有标准答案，稳的做法是每次只推 2 档，跑完整段听完再决定方向，来回两三圈基本就收敛了。
剩下几个字段一句话带过：导出格式默认 flac 无损，后面还要加工就留 flac 或 wav，纯存档分享选 mp3 更省地方；输入框填待处理音频的目录，也可以直接拖多个文件进去，目录和文件二选一、目录优先；两个输出文件夹保持默认 opt 就行。采样率不用管，程序会把非 44.1kHz 立体声的源先转成 44.1kHz 立体声再处理；源文件本身压得越狠，最后能拆出的细节就越少。
听感不对时，先核对这三处
如果你听到和声被当成主人声留了下来，大概率是模型选错了——原曲带和声，你却选了 HP2 或 HP3，和声就会跟着人声一起留下来。换成 HP5 重跑一遍再听。反过来，任务是去混响却选了 HP5，等于白跑，MDX-Net 那组才是干这个的。
如果伴奏里人声残留明显，多半是聚合度偏低，从 10 朝 12 到 15 的方向推；如果人声发薄、总带着一股伴奏味，就朝 8 降。每次只推 2 档，听完整段再推下一档，比一口气拉满靠谱得多。
如果整体听着闷、怎么调都到不了预期，问题多半在源文件上。单声道录音、码率很低的 MP3、早就削过波的音频，模型只能拆出录音里本来就存在的东西，缺的信息它变不出来——换一份无损源文件重跑，比调任何参数都管用。
要是「输出信息」窗口直接吐了报错堆栈，那是环境的事：权重没进assets/uvr5_weights/、torch 版本和显卡对不上（AMD 用户装错依赖文件最常见），对着 docs/cn/faq.md 里对应语言的条目查一遍基本都能定位。
把分离结果接进后续工作流
最常见的链路是翻唱：先用 HP3 把原曲跑成一条干净伴奏，然后开麦录自己的人声，最后在剪辑软件里把两轨叠到同一条时间轴上，按进拍点对齐即可。录完的人声轨还能直接接回 RVC 主界面走变声流程，等于顺手把音色也换了。
播客去混响更讲究顺序：先让 onnx_dereverb_By_FoxJoy 把双通道录音里的房间回声压下去，再用 DeEcho-Aggressive 扫掉剩下的毛刺。两个模型串起来跑，比只用其中一个干净得多。
今晚就做这一件事
挑一首最近循环的立体声歌曲，聚合度保持默认 10 先跑一遍，把两个输出文件夹各听一遍，用笔把残留人声最重的那个时间点记下来。剩下的——往 12 调、往 8 调、换模型、接进工作流——等把这首歌听熟了再逐个试，节奏就不会乱。
【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
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
