4G 显存能跑 RVC 变声器吗？10 分钟录音训出专属音色

4G 显存能跑 RVC 变声器吗？10 分钟录音训出专属音色

【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 架构的开源变声器：你给 10 到 50 分钟目标人声录音，它训出一个音色模型，之后任何音频扔进去都会以这个音色输出。适合给视频配音、给游戏角色换声、做翻唱，又不想碰音频工程细节的人。下面按"能不能跑 → 怎么装 → 怎么训 → 怎么查问题"展开，每一步都带原因。

先看红线：4G 显存、10 分钟录音

先回答"能不能跑"：4G 显存能完成训练和推理；低于 4G（1060 的 3G、各种 2G 老卡）官方 FAQ 的建议是直接放弃。程序启动时会自己读显存并调整内部参数，4G 以下自动改用更保守的分块配置；训练时 batch size 缩到 1 还报 out of memory，就是显卡确实不够，换卡或租云 GPU。内存不够则把"提取音高和处理数据使用的 CPU 进程数"调低，或手动把训练音频切短。

数据量决定效果上限，这是整个流程里最不可逆的一步：总时长 10~50 分钟；底噪低、音色有辨识度的干净录音，5~10 分钟也能训出可用模型。环境要安静（底噪会直接进模型，轮次再高也压不下去），语速语调有些变化（样本要覆盖不同发音状态），单条片段几十秒到一两分钟即可。

系统侧三件不能省：Python 3.12 x64、ffmpeg（切分和重采样都靠它）、预训练底模。

装对依赖和底模，别卡在第一步

最易翻车的一步：缺 assets 目录下的底模，训练和推理都起不来。先 clone 并按硬件装依赖：

git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI python -m venv rvc-env # 激活 rvc-env 后： # CPU / AMD（Windows 走 DirectML，Linux 走 CPU） pip install -r requirments_cpu_py312.txt # NVIDIA RTX 50 系：先装 CUDA 12.8 版 Torch，再执行： pip install -r requirments_cu128_py312.txt # NVIDIA RTX 50 系以前：先装 CUDA 11.8 版 Torch，再执行： pip install -r requirments_cu118_py312.txt

然后按 README 的"下载模型"一节，把 hubert_base、rmvpe、pretrained、pretrained_v2 等底模下到 assets/ 对应目录——目录结构 README 里写得很清楚，照着放就行。装完跑一句python webui.py，浏览器自动打开 7865 端口的训练页，看到显卡信息栏能识别出你的卡，启动就算通了。

一键训练前，只动这几个参数

训练页真正值得动的数字就这几个，其余保持默认：

确认训练集文件夹路径、填一个实验名（后面找模型全靠它），点一键训练。流程依次执行切分、音高提取、特征提取、训练，日志全部写在 logs/实验名/ 下，出问题先看这里。

训完声音不对？八成是索引这步漏了

索引决定结果保留多少训练集的音色，跳过它，音质可能不错但相似度打折扣。训完先点"训练索引"，产物是 logs/实验名/ 下 added_ 开头的 .index 文件。如果一键训练结束没看到索引，多半是训练集太大卡住了索引步骤，重按一次"训练索引"即可（FAQ Q2）。

推理页重点调的是检索特征占比 index rate，范围 0~1，默认 0.75：

• 调高接近 1：音色完全锚定训练集，不泄露输入源或底模的音色，但音质上限被训练集锁死
• 调低到 0：不做检索保护，音质可能更好，但"音色泄露"会回来
• 训练集本身优质且时长足时，这个值反而不重要，模型自己已经不太引用外部音色

变调按半音计，+12 升八度、-12 降八度；保护滑条 protect 默认 0.33，专防清辅音和呼吸声撕裂，输出有电音就往高调。

跑通后：实时变声和验证

批量转换不用开网页，直接走 WebUI 的推理页逐个丢文件；想说话实时变声，双击 go-realtime_gui.bat 启动实时界面，官方给出的端到端延迟是 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。

最后一步验证：从 10 分钟录音里挑一段没用过的音频，扔进推理页转换，听音色对没对——对上了，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