RVC WebUI完整指南：用10分钟音频克隆声音，完成AI变声训练与使用
【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
Retrieval-based-Voice-Conversion-WebUI（简称 RVC WebUI）是一款开源的 AI 变声工具：收集 10 分钟左右的目标人声录音，就能训练出一个专属音色模型，再把任意音频或麦克风输入转换成该音色。它提供完整的网页操作界面，支持实时变声、批量文件处理、人声伴奏分离与模型融合，消费级显卡即可运行。本文按"安装—训练—调参"的顺序讲一遍完整流程。
它能做什么：三个贴近实际的使用场景
- 直播或通话实时变声。运行
python realtime_gui.py（Windows 下也可直接双击根目录的go-realtime_gui.bat），在界面里选好输入/输出设备即可说话输出目标音色。README 中说明常规设备端到端延迟约 170ms，使用 ASIO 设备可到 90ms。 - 替换已有音频里的人声。在"伴奏人声分离&去混响&去回声"选项卡中，用内置的 UVR5 模型从歌曲里抽出人声轨道，再到"模型推理"选项卡的"单次推理"里送入人声，输出保留原旋律与语调、换成目标音色的结果。
- 批量处理音频文件。"批量推理"选项卡支持指定整个文件夹或一次上传多个文件，转换结果写入指定输出目录（默认
opt），导出格式可选 wav、flac、mp3、m4a。
另外"ckpt处理"选项卡支持两个模型的音色融合；界面通过 i18n/locale/ 内置了十几种语言包，可按系统自动切换。
跑起来之前：环境要求与安装
环境要求明确：Python 3.12 x64，Ubuntu 24.04 或 Windows 均可。先克隆仓库并创建虚拟环境：
git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI python -m venv .venv激活虚拟环境后，按硬件安装依赖（注意仓库里依赖文件名是requirments而非requirements，照抄即可）：
# CPU / AMD / Intel 显卡（Windows 可用 DirectML） python -m pip install -r requirments_cpu_py312.txt # NVIDIA 50 系以前的卡：先装 CUDA 11.8 版 Torch，再 python -m pip install -r requirments_cu118_py312.txt # NVIDIA RTX 50 系：先装 CUDA 12.8 版 Torch，再 python -m pip install -r requirments_cu128_py312.txt程序会根据显卡自动选择精度：显存低于 4GB 或架构低于 SM 5.3 的卡退回 CPU 与 fp32，较新的卡自动用 fp16。
代码本身不带预训练权重，需借助huggingface_hub按 README 给出的hf download命令，把 HuBERT、RMVPE 与底模文件下载到assets/下对应目录（assets/hubert_base/、assets/pretrained_v2/等路径是固定的，不要改动目录结构）。Windows 下还需 ffmpeg/ffprobe，官方提供两个 exe 放到项目根目录即可。
一切就绪后启动：
python webui.py浏览器会自动打开（默认端口 7865，被占用时代码会自动顺延找可用端口）；无桌面环境的服务器可加--noautoopen。
第一次出效果：数据准备、训练与试听验证
训练全流程在"训练"选项卡完成，点"一键训练"会自动依次执行四步：数据切分、F0 与 HuBERT 特征提取、模型训练、索引训练，每一步都有独立的日志和停止按钮。
数据准备。把目标人声集中放到一个文件夹。项目建议录音 10~50 分钟；官方 FAQ 认为音质干净、音色有个人特色的情况下 5~10 分钟也能训出可用模型，低于 1 分钟不建议。录音需为单人、底噪低；过长的音频文件最好先手动切短，否则切分阶段容易因内存不足报错。格式上没有硬性限制，任何可解码的音频文件都能处理。
关键训练选项。填实验名（logs/下会生成同名文件夹），选目标采样率 40k/48k 与版本 v1/v2，"模型是否带音高指导"用于唱歌克隆时务必开启（官方注释：唱歌一定要，语音可以不要）。total_epoch 默认 20，FAQ 的经验是底噪大的数据 20~30 轮足够，音质高、时长多的数据可以往上加。batch_size 有一键训练的自动值，显存吃紧就往下调。
试听验证。训练结束后assets/weights/下会出现约 60MB 的小模型（.pth），并生成配套的 .index 索引。到"模型推理"选项卡点"刷新音色列表"，选中模型上传一段测试音频点"转换"，即可听到结果。不满意时调整变调、index_rate 再试，或用"ckpt处理"里的模型提取、融合功能处理中间轮次的权重。
参数怎么设：按实时、离线、批量三种诉求
推理的核心参数有：变调（半音数，0 不变，+12 升八度）、音高提取算法（pm/rmvpe/fcpe）、检索特征占比 index_rate（0~1）、清辅音与呼吸声保护 protect（0~0.5）、音量包络融合比例 rms_mix_rate（0~1）。
| 诉求 | 建议 |
|---|---|
| 实时低延迟 | 音高提取选 rmvpe（默认，速度快）；使用 ASIO 输入输出设备；实时界面的 block_time、crossfade_length、静音阈值 threhold（默认 -60dB）可按听感微调 |
| 离线高质量 | 训练集音质高时把 index_rate 调高（接近 1）锁定音色；训练集音质低于输入源时调到 0.5 左右，让输入音质带高结果；protect 保持 0.33，出现电音撕裂时调低加强保护；用 48k 采样率训练、后处理重采样设为 0 |
| 批量处理 | 用"批量推理"，默认 index_rate 为 1，按需选导出格式（mp3 可显著减小文件体积）；音高算法与单次推理一致 |
index_rate 的作用官方 FAQ 有专门科普：调高后输出更贴近训练集音色，能抑制输入源和底模的"音色泄露"；但如果训练集本身音质偏低，一味调高反而会拉低输出音质，需要权衡。
新手常见的几个卡点
报 ffmpeg error / utf8 error。大概率不是 ffmpeg 本身的问题，而是路径问题：路径里带空格、括号，或训练集用了中文路径。把目录改成简短的纯英文路径再跑即可。
CUDA out of memory。即显存不足。训练时调低 batch_size，降到 1 还爆显存只能换卡；推理时可调小configs/config.py末尾的 x_pad、x_query、x_center、x_max。4GB 以下显存的卡不建议尝试训练。
训练完找不到音色，或一键训练结束没有索引。先到"模型推理"点"刷新音色列表"；仍没有就检查assets/weights/是否生成了 .pth。一键训练提示完成但缺少 added 开头的索引文件，多是训练集太大卡住了索引步骤，重新点一次"训练特征索引"即可。
WebUI 显示 Connection Error 或 Expecting value。前者通常是把黑色控制台窗口关了；后者是系统局域网/全局代理（包括服务器端 http_proxy）拦截了本地请求，关掉代理重启程序。
更多问题可查项目内的 常见问题解答，WebUI 里也内置了同名选项卡。
下一步
跑通第一个模型后，可以继续补充不同情绪和语调的录音开新实验继续训练，或用模型融合把两个音色合成新音色，这两个方法 FAQ 里都有对应条目。各版本的具体改动可跟踪更新日志。
【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
