RVC变声器实战指南：10分钟录音快速训练专属音色
【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 是一个基于检索的开源变声器：你给它 10 到 50 分钟的目标人声录音，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。给视频配音、游戏角色换声、翻唱换声的内容创作者和爱好者，用它最省事。
你的机器能不能跑：4GB 显存起步
先对门槛，再决定要不要花时间：
- 显存 4GB 是底线。config.py 启动时会读显卡，显存低于 4GB 直接退回 CPU 训练，3GB、2GB 的老卡按官方 FAQ 的建议是放弃
- Python 3.12 x64，Ubuntu 推荐 24.04，Windows 装好 3.12 就能用
- 系统内存要够：切分和音高提取靠 CPU 多进程干，内存吃紧就把"CPU 进程数"调低
不够的出路：租一张带 4GB 以上显存的云 GPU，或者换卡。CPU 能训但慢一个量级，只适合跑通流程。
素材怎么备：录音决定模型上限
素材质量决定模型能学到什么，这步不可逆——录砸了，之后怎么调参都补不回来。
- 总时长 10 到 50 分钟（官方 FAQ 建议）；录音干净、底噪低、音色有辨识度时，5 到 10 分钟也够
- 环境安静，底噪尽量小，背景噪音会被模型当成音色的一部分学进去
- 语速、语调、情绪有变化，别只念一种腔调，模型靠多样样本覆盖不同发音状态
- 单条片段几十秒到一两分钟即可，过长的录音在自动切分和内存占用上都是负担
格式统一转成 WAV 就行，采样率不用纠结，训练时会自动重采样到选定档位。
装环境、拉底模、点火
拉代码、建虚拟环境，Python 版本必须是 3.12 x64：
git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI python -m venv .venv # Windows 激活 .venv\Scripts\activate；Linux/macOS 用 source .venv/bin/activate激活后按显卡装依赖，产物是可正常 import torch 的环境：
# CPU / AMD / Intel（Windows 下自动走 DirectML） pip install -r requirments_cpu_py312.txt # NVIDIA 50 系以外，先装 CUDA 11.8 的 torch，再装依赖 pip install torch==2.7.1+cu118 torchaudio==2.7.1+cu118 --index-url https://download.pytorch.org/whl/cu118 --extra-index-url https://pypi.org/simple pip install -r requirments_cu118_py312.txt # NVIDIA 50 系把上面两行的 cu118 换成 cu128，依赖文件换 requirments_cu128_py312.txt装 ffmpeg，切分、转码、重采样全靠它：
# Ubuntu sudo apt install ffmpeg # macOS brew install ffmpegWindows 也可以把 ffmpeg.exe、ffprobe.exe 两个文件直接放进项目根目录。
下载预训练底模，README 给出的hf download命令就是干这个的：把 hubert_base 特征编码器、rmvpe 音高模型、pretrained 和 pretrained_v2 底模放进 assets/ 目录，路径结构别改，缺底模训练和推理都起不来。
启动训练网页：
python webui.py浏览器自动打开 7865 端口的训练页；无桌面的服务器加--noautoopen手动访问，Windows 也可以直接双击 go-webui.bat。
只动这几个数：轮数、间隔、批次
| 参数 | 建议取值 | 依据 |
|---|---|---|
| 总轮数 | 底噪大：20~30；干净且时长足：可到 200 | 底噪大的数据训太多轮，模型会把噪音一起学进去（FAQ Q9） |
| 保存间隔 | 每 10 轮存一个点 | 间隔小才能逐个试听，挑出最早的达标点，避免过拟合 |
| 批次大小 | 用页面默认值，OOM 往下调 | 默认按显存自动估算，调到 1 还 OOM 就是显存不够 |
表外两项也顺手设好：采样率选 48k 对应 v2 底模，是官方 configs 里质量上限最高的一档；音高提取选 rmvpe，它是 InterSpeech 2023 的开源人声音高模型，速度快占用小，harvest 对男低音更稳但很慢，pm 适合歌声输入时提速。
确认训练集文件夹路径、填实验名（后面找模型全靠它），点一键训练。流程依次跑切分、音高提取、Hubert 特征提取、训练，全程日志写在 logs/实验名/ 下，训练与索引导入脚本在 train/ 目录。
训完别急着关：先补索引，再调推理参数
先点"训练索引"，用 faiss 把训练特征聚成检索库，产物是 logs/实验名/ 下 added_ 开头的 .index 文件。一键训练结束没生成索引，多半是训练集太大卡住了这一步，重按一次即可（FAQ Q2）。索引决定输出保留多少训练集音色，跳过它音质可能不差，相似度打折。
推理端重点调检索特征占比（index rate），范围 0 到 1，默认 0.75：
- 调高接近 1：音色完全锚定训练集，不漏底模音色，但音质被训练集锁死
- 调低到 0：不做检索保护，音质可能更好，"音色泄露"会回来
- 训练集优质且时长足时，这个值反而不重要，模型自己就不太引用外部音色
变调是整数半音，+12 升八度、-12 降八度；保护滑条默认 0.33，专门防清辅音和呼吸声撕裂，输出有电音时往高调。
离开网页：批量和实时
批量转换不用开网页。一键训练跑通后，控制台会打印出切分和训练对应的完整命令行，照抄改参数就能脱离网页重跑；想自己写批量脚本，训练入口是 train/train.py，处理流程入口是 train/preprocess.py。
实时变声双击 go-realtime_gui.bat 启动，入口代码在 realtime_gui.py。官方给出的延迟是端到端 170ms，换 ASIO 输入输出设备能压到 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。
打开推理页，挑一个保存点模型，把录音里没用过的一段音频扔进去转换。音色对上了，整条链路就跑通了。
【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
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
