RVC WebUI完整指南：用10分钟音频训练语音克隆模型-育师

RVC WebUI完整指南：用10分钟音频训练语音克隆模型

【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

手里有一段喜欢的声音录音，想拿它做游戏直播配音、给视频换人声、做一首自己的"AI翻唱"——RVC WebUI（Retrieval-based-Voice-Conversion-WebUI）就是为此设计的：一个把 10 分钟低底噪音频变成可用语音克隆模型的音色转换框架，附带端到端 90–170ms 延迟的实时变声器。

RVC WebUI与传统变声器的差别

传统变声器本质是变调+频谱扭曲，效果千篇一律；RVC 是训练一个"这个人的声音"的模型，输出的是具体某个人的音色。

RVC WebUI	传统变声器
原理	训练专属音色模型做检索式特征替换	调整音高和频谱
数据要求	约10分钟干净音频	无
输出效果	可还原特定人声音色	机械感、卡通感
实时延迟	170ms，ASIO 设备约 90ms	更低但音色不自然
硬件门槛	建议 4GB 以上显存	CPU 即可

三个值得先知道的功能 ✨

一键训练流程：数据切分、F0（基频，即音高）提取、HuBERT 声纹特征提取、模型训练、索引构建，在网页界面点完即可，不需要记任何命令行。
检索防音色泄漏：推理时从训练集特征库检索最接近的特征去替换源音频特征，让输出音色"钉"在目标声音上，不会被你喂进去的音频带偏；强度由 index_rate 旋钮控制。
实时变声可用：端到端 170ms，配 ASIO（低延迟音频设备协议）输入输出可压到约 90ms，够直播对线。

从克隆到启动：让 RVC WebUI 跑起来 🚀

环境要求Python 3.12 x64，先克隆仓库进入根目录：

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

再按硬件装依赖，文件在仓库根目录，名字别拼错（作者原文就是 requirments）：

你的硬件	安装方式
CPU / AMD / Intel	直接装`requirments_cpu_py312.txt`
NVIDIA RTX 50 系以前	先装 CUDA 11.8 版 Torch，再装`requirments_cu118_py312.txt`
NVIDIA RTX 50 系	先装 CUDA 12.8 版 Torch，再装`requirments_cu128_py312.txt`

python -m pip install -r requirments_cpu_py312.txt

N 卡用户把文件名换成上表对应项即可。装完需要下载底模（HuBERT 特征模型、RMVPE 音高模型、预训练权重），放到 README 规定的目录结构下：

python -m pip install --upgrade huggingface_hub 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：

python webui.py

浏览器会自动打开（默认端口 7865）。Windows 用户也可以跳过手动建环境，直接双击go-webui.bat启动 WebUI、go-realtime_gui.bat启动实时变声界面。

一键训练与单次推理选项卡怎么用

训练侧：把 10 分钟以上、低底噪的 WAV 音频放进一个独立文件夹，在"一键训练"选项卡填一个实验名，采样率选 40k（v1 模型）或 48k（v2），音高提取算法选rmvpe，点开始。流程会依次跑：数据切分 → F0 提取 → HuBERT 特征提取 → 模型训练 → 索引训练。完成后，能用于推理和分享的60MB+ 小模型生成在assets/weights/，对应的.index特征库在assets/indices/；logs/实验名/里的大文件是断点续训用的，别拿去分享。

推理侧：在"单次推理"选项卡选择模型、上传音频、设变调（单位半音，12 为升八度），点"转换"。要批量处理用"批量推理"；想从歌曲里只留伴奏做 AI 歌手场景，用 UVR5 人声分离选项卡，对应实现在 tools/uvr5/。

index_rate与protect参数怎么调 🎚️

这两个是调效果时最先要动的旋钮，都在"单次推理"选项卡：

index_rate（检索特征占比，0–1，默认 0.75）：当底模或源音频音质高于你的训练集时，输出音质会被带高，但音色会往底模/源音频方向飘，这叫"音色泄漏"。调高它压制泄漏，代价是音质倾向训练集；调到 0 则关闭检索保护。如果你的训练集本身就高质量且时长足，把训练轮数（total_epoch）调高，模型自身就能站稳音色，index_rate 反而不重要。
protect（默认 0.33，上限 0.5）：保护清辅音和呼吸声，防止电音、撕裂这类伪影。往上拉保护更强，但会削弱索引效果，一般 0.33 起步按需微调。
音高算法：推理可选 pm / rmvpe / fcpe，训练只支持 pm / rmvpe。默认推荐的rmvpe是 InterSpeech 2023 的 vocal 音高算法，速度快、占用小、哑音少，新手不用换。

避坑：找不到模型、显存爆、ffmpeg 报错 ⚠️

现象：启动后提示 hubert 或 rmvpe 文件缺失。原因：底模没下载，或没放进assets/下的规定子目录（hubert_base/、rmvpe/、pretrained/等）。解法：按上一步的hf download命令重新放置；Windows 还需把 ffmpeg.exe、ffprobe.exe 放到项目根目录（Ubuntu 用 apt 装 ffmpeg 即可）。
现象：训练或推理时 CUDA out of memory。原因：显存不足，4GB 以下基本无解。解法：训练就调小 batch size；推理就缩小 configs/config.py 末尾的 x_pad、x_query 等分段参数。
现象：数据切分阶段报 ffmpeg error 或 utf8 error。原因：训练集路径带空格、括号或中文，ffmpeg 读不动，写 filelist 时编码出错。解法：把训练集挪到纯英文、无空格的路径再跑。
现象：训练完推理听不到训练集的音色。原因：没点"刷新音色"，或者误用了logs/里的断点文件。解法：先点刷新音色；仍没有就去 ckpt 选项卡做"小模型提取"，确认用的是 weights 下的 60MB+ 模型。