10 分钟录音，训出你的 RVC 专属音色模型-开发者社区

10 分钟录音，训出你的 RVC 专属音色模型

【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 变声器把 10 到 50 分钟的人声录音炼成一个音色模型：之后任何音频丢进去，都以这个音色重新输出。真正的门槛是数据量，不是算力。

RVC 最低显存要求：开工前三笔账

硬件账：4GB 显存是下限。显存再小（3G、2G 的老卡）基本判死刑：训练时 batch size 缩到 1 仍然 OOM，说明卡真的不够，只能换卡或上云 GPU。4GB 能跑完训练和推理，程序启动时会自动读显存、调整内部分块参数。切分和音高提取走 CPU 多进程，系统内存吃紧就把"CPU 进程数"调低，或提前把训练音频切短。
数据账：10 分钟干净人声。建议总时长 10–50 分钟；录音干净、底噪低、音色有辨识度时，5–10 分钟也能训出可用的音色模型。数据不够的代价是单向的：底噪会被模型学进去，轮数再高也压不回来；语速语调单一，模型覆盖不了不同发音状态；单条片段拖太长，切分和内存两头吃亏。录完统一转 WAV，采样率不用纠结，预处理会重采样到训练档位。
软件账：ffmpeg + 预训练底模。缺 ffmpeg，切分和重采样直接起不来；assets 目录下缺 hubert、rmvpe、pretrained 等底模文件，训练和推理都跑不动。按 README.md 的模型目录结构把底模放齐即可。

RVC 环境怎么搭：一条命令从 clone 到 7865 端口

git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI python -m venv .venv && source .venv/bin/activate pip install -r requirements.txt # 按显卡选对应依赖文件（NVIDIA / AMD / CPU 各一份） python webui.py

显卡差异只在 pip 那一步：NVIDIA 装 CUDA 版依赖，AMD 走 DirectML（Windows）或 ROCm（Linux），命令形态不变。启动后浏览器自动打开 7865 端口，训练、索引、推理都在这一个网页里；Windows 用户也可以直接双击 go-webui.bat 走整合包路线，效果等价。

RVC 训练轮数怎么定：训练页上真正要动的旋钮

页面上值得碰的数字只有三个：总轮数、保存间隔、batch size，选法跟着训练集的状态走：

你的训练集	轮数	保存间隔	batch size
有底噪、时长一般	20–30 轮就收手	每 10 轮存一个点	页面默认值，OOM 再往下调
干净、底噪低、时长充足	可以拉到 200 轮	同上，逐个试听挑最早达标的	默认即可，按显存自动估算

底噪大的数据别贪轮数，噪音会被一起学进去（FAQ Q9）；保存间隔设小是为了逐个试听、挑出最早达标的那个保存点，而不是闷头训到最后一刻。另外两个值得碰的选项跟着数据走：采样档位选 48k（配 v2 底模，官方配置里质量最高的一档，见 configs/v2/48k.json）；音高提取选 rmvpe，标注里效果最好、显存开销小，harvest 低频更好但速度极慢，歌声场景可换 pm 提速。确认训练集路径、填一个实验名（找模型全靠它），点一键训练，随后自动跑完数据集预处理、特征提取和模型训练，日志写在 logs/实验名/ 里。

RVC 索引文件作用：相似度与音质的天平

索引决定音色像不像，index rate 决定天平往哪偏，是同一件事的两面。模型训好后先点"训练索引"：它用 faiss 给训练特征建检索库，落在 logs/实验名/ 下、以 added_ 开头的 .index 文件。一键训练结束没看到索引，多半是训练集太大把添加步骤卡住了，重按一次即可（FAQ Q2）。漏掉它，出来的声音听着顺耳，相似度却会打折扣。

推理页要调的是检索特征占比（index rate），0 到 1，默认 0.75，三档行为预期：