RVC变声器实战：10分钟录音训练一个能换声色的语音转换模型

RVC变声器实战：10分钟录音训练一个能换声色的语音转换模型

【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（Retrieval-based Voice Conversion WebUI）是一个基于 VITS 架构的开源语音音色转换工具：你喂给它 10 分钟左右的目标人声录音，它训练出一个音色模型，之后任何音频输入都会以这个音色重新输出。适合做视频配音、游戏换声、AI 翻唱，但不想碰音频工程细节的人。默认监听 7865 端口，4GB 显存的显卡即可完整跑通训练加推理。

4GB 显存够不够？先说结论

能跑。4GB 显存的显卡可以完成训练和推理；3GB 及以下（1060、各种 2G 卡）官方 FAQ 的建议是直接放弃。

原因看 configs/config.py：程序启动时自动读取显存大小，低于 4GB 的卡会被直接分到 CPU 上推理，4GB 及以下会自动切到更保守的分块参数（x_pad/x_query 等）。系统内存也别忽略：切分和音高提取吃 CPU 多进程，内存不够就把"CPU 进程数"调低，或手动把训练音频切短。

软件环境有两个硬性要求：Python 3.12 x64；Ubuntu 用户推荐 24.04 版本。Windows 直接双击 go-webui.bat 走整合包，不用自己建环境。

从零到第一次换声，四步最短路径

前置依赖合并成一张清单，按序做：

• ffmpeg：切分和重采样全靠它。Ubuntu 用sudo apt install ffmpeg，Windows 把 ffmpeg.exe 和 ffprobe.exe 放到项目根目录
• Python 虚拟环境 + 依赖：依赖文件按显卡选，NVIDIA 旧卡用requirments_cu118_py312.txt，RTX 50 系用requirments_cu128_py312.txt，A 卡/CPU 用requirments_cpu_py312.txt（Windows 走 DirectML，Linux 走 CPU）
• 预训练模型：缺了 assets 目录下的底模，训练和推理都起不来

下面四段命令在项目根目录依次执行，第一段拉代码并建好虚拟环境：

git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI python3.12 -m venv .venv

激活虚拟环境后，按你的显卡装一份依赖：

pip install -r requirments_cu118_py312.txt

接着下载底模文件，路径保持仓库规定的assets/结构：

hf download lj1995/VoiceConversionWebUI --revision main --include "hubert_base/*" --local-dir assets hf download lj1995/VoiceConversionWebUI rmvpe.pt --revision main --local-dir assets/rmvpe hf download lj1995/VoiceConversionWebUI --revision main --include "pretrained/*" "pretrained_v2/*" --local-dir assets

最后启动网页端，浏览器会自动打开 7865 端口的训练界面：

python webui.py

没有桌面的服务器加--noautoopen参数，手动访问地址。

值得动的就这几个参数，其余保持默认

训练页里的数字很多，真正需要关注的就下面这些（默认值均以 webui.py 实际配置为准）：

推理时还有两个滑条值得动：检索特征占比 index_rate，默认 0.75，调高接近 1 音色完全锚定训练集但音质上限被锁死，调低到 0 音质可能更好但"音色泄露"会回来；保护值 protect，默认 0.33，防清辅音和呼吸声撕裂，输出有电音就往高调。

FAQ 里出现频率最高的四个问题

训完没看到索引文件。现象是训练日志显示完成，但logs/实验名/下没有 added_ 开头的 .index 文件；原因是训练集太大卡住了添加索引步骤。解法：回到训练页再点一次"训练索引"即可（FAQ Q2）。

推理报 Cuda out of memory。大概率就是显存不够。训练阶段把 batch_size 缩小，缩到 1 还报错就只能换卡；推理阶段则缩小 configs/config.py 末尾的 x_pad、x_query、x_center、x_max（FAQ Q8）。

训练时报文件页面/内存 error。是进程开太多把内存撑爆了。把"提取音高和处理数据使用的 CPU 进程数"拉低，或手工把训练集音频切短（FAQ Q14）。

WebUI 弹出 Expecting value: line 1 column 1 (char 0)。和代码无关，是代理问题。关闭局域网/全局代理，包括服务端代理比如 colab 里设的 http_proxy，重启再试（FAQ Q6）。

跑通之后：批量转换与实时变声

批量转换不用开网页，WebUI 推理页自带批处理入口，选模型和索引后一次丢进一个目录即可；训练页跑通后控制台会打印出完整的命令行处理流程，照着敲也能脱离界面跑（FAQ Q7）。

实时变声双击 go-realtime_gui.bat 启动实时界面，选模型和索引后说话即换声。官方给出的延迟是端到端 170ms，换 ASIO 输入输出设备可压到 90ms，但后者非常依赖声卡驱动支持，普通 USB 声卡别期待这个数字。

分享模型记住一点：logs/下几百 MB 的 pth 是存实验状态用的，能分享的是assets/weights/下 60+MB 的 pth 配合对应的 .index 文件（FAQ Q4）。

现在打开推理页，选一个保存点模型和对应索引，把录音里没用过的一段音频丢进去转换，听音色对不对得上——对上了，从录音到换声的整个流程就通了。

【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