RVC模型融合完全指南：不重训10分钟拿到新音色

RVC模型融合完全指南：不重训10分钟拿到新音色

【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

你手上有两个训练好的 RVC 模型：一个咬字清楚，一个情感更足，但没法同时用在一个文件里。Retrieval-based-Voice-Conversion-WebUI 的模型融合功能可以把两个 .pth 的参数做加权混合，产出一个新模型，不用重新训练。做完这件事，你手里会多一个 .pth，直接扔进推理就能用。

模型融合到底做了什么，一句话说清

本质是加权平均：把两个模型每一层的权重按同一组比例（alpha 与 1−alpha）相乘再相加，存成新的 ckpt。权重越靠近 1，音色越像 A 模型；0.5 就是五五开。核心逻辑在 infer/lib/train/process_ckpt.py 的 merge 函数里，想深入可以直接打开看。

两个前提：两个模型必须是同架构（同版本、同采样率），否则程序会直接告诉你融合失败，不会硬拼。

模型融合最小流程：从启动 WebUI 到拿到新 .pth

启动：

python infer-web.py

浏览器打开本地地址（通常是 http://localhost:7860）。

切到「ckpt处理」选项卡，里面有一块「模型融合」区域，字段分四组：

• A模型路径 / B模型路径：填你要融合的两个 .pth，一般在 assets/weights/ 目录下
• A模型权重：0–1 的滑杆，默认 0.5
• 目标采样率（40k/48k）和模型是否带音高指导（是/否）：按原模型的训练设置选
• 保存的模型名不带后缀：输名字，存盘时自动补 .pth

点「融合」按钮，「输出信息」里出现 Success. 即成功，新文件已经躺在 assets/weights/ 里。

再提醒两件事：融合产物不带索引，第一次推理可以复用原模型之一的 index 试效果。「要置入的模型信息」留空的话新模型没有描述，下拉框里显示为空，不影响音色，只影响观感。

模型融合权重怎么调：动哪里、动多少、怎么判断

alpha 是唯一真正决定听感的参数，值得花点时间：

1. 先跑 0.3 / 0.5 / 0.7 三档，每次用同一条源音频推理，保证变量只有一个
2. 听音色特点并记录：0.3 时偏谁，0.7 时偏谁，找到哪边「赢」
3. 在感觉最好的值附近，按 ±0.05 步进细调
4. 别漏掉 0.1 / 0.9 极端值——有时某一边只是有小毛病（气息弱、咬字虚），小比例反而刚好盖住它

判断好坏的标准：找一句信息量大的长句（有快有慢、有气声）做推理，听咬字是否清楚、气息是否自然、有没有金属音。一句短句下不了结论。

批量模型融合：脚本入口与最小示例

要测一组比例、比较多组结果时，别手点 WebUI：

• WebUI 的「融合」按钮走的是 APIckpt_merge（声明在 infer-web.py 里），写脚本请求这个接口，就能把比例表循环跑完
• 批量验证效果用 tools/infer_cli.py，每个融合模型跑一次，循环对比输出文件：

python tools/infer_cli.py \ --model_name merged_model \ --input_path test.wav \ --opt_path out/merged_05.wav

循环里改--model_name和输出文件名就行，其余参数保持不动，结果才好对比。

下一步

融合只是把两个优点混合，变不出原本没有的东西——先把原模型训好再融。常见问题看 docs/cn/faq.md，新功能动态看 docs/cn/Changelog_CN.md。

【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