RVC 变声器：10 分钟录音，跑通一个可换声色的语音模型
【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 变声器是什么，适合谁
RVC 变声器是一个开源的语音转换工具：你给一段目标人声录音，它训出一个音色模型，之后任何音频进去都换成那个音色输出。输入是 10 到 50 分钟的 WAV 人声录音。输出是一个约 60MB 的 .pth 模型文件和转换后的音频。适合给视频配音、给游戏换声、做翻唱的内容创作者和爱好者。手里连一段干净录音都没有的，不适合先上这条路。
跑起来之前，先回答三个问题
跑 RVC 之前，把 RVC 显存要求、录音量、环境依赖这三件事先对一遍，后面才不会卡住。
我的显卡够吗
4GB 显存能跑。
| 配置 | 最低要求 | 推荐 | 说明 |
|---|---|---|---|
| 显存 | 4GB | 6GB 以上 | 4GB 以下（3GB、2GB）官方 FAQ 建议放弃 |
| 显卡类型 | NVIDIA 或 A 卡/CPU | NVIDIA | A 卡 Windows 走 DirectML，Linux 走 CPU |
| 内存 | 8GB | 16GB | 切分和音高提取吃 CPU 多进程，内存紧就把 CPU 进程数调低 |
| Python | 3.12 x64 | 3.12 x64 | 本分支只认 3.12 |
需要准备多少录音
10 分钟起步，50 分钟封顶。
- 官方建议总时长 10~50 分钟
- 底噪低、音色有辨识度，5~10 分钟也行
- 单条片段 30 秒到 2 分钟
- 语速、语调、情绪要有变化
- 统一转成 WAV，采样率会自动重采样
需要装哪些东西
三样：Python 3.12 环境、ffmpeg、预训练模型文件。
sudo apt install ffmpeg python -m venv .venv source .venv/bin/activate pip install -r requirments_cpu_py312.txt三样都齐了，下面开始跑。
最小路径：从 10 分钟录音到一条转换出的音频
RVC 变声器最小路径一共 5 步，全部在项目根目录执行。
第 1 步：拉代码装依赖
拉代码，按你的硬件装依赖。
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 requirments_cpu_py312.txtNVIDIA 卡先装 CUDA 11.8 版 torch，再把最后一行换成pip install -r requirments_cu118_py312.txt，RTX 50 系用 cu128，两阶段装法参考 README.md。Windows 激活虚拟环境用.venv\Scripts\activate。
看到python -c "import torch"正常打印版本号即成功。
第 2 步：下载预训练模型
底模缺了，训练和推理都起不来。
pip install -U 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看到 assets/hubert_base/、assets/rmvpe/rmvpe.pt、assets/pretrained_v2/f0G40k.pth 都在即成功。
第 3 步：启动 WebUI
一条命令，浏览器自动打开。
python webui.py无桌面的服务器加--noautoopen；Windows 也可以直接双击 go-webui.bat 走整合包。
看到浏览器出现 RVC WebUI 页面、默认端口 7865 即成功。
第 4 步：一键训练
在"训练"页填好参数，点一键训练。
- 填实验名（如 my-voice）和训练文件夹路径
- 目标采样率 48k、版本 v2、模型带音高指导
- 音高提取算法 rmvpe、总轮数 20、其余用默认
接着自动跑数据切分、F0 与 HuBERT 特征提取、模型训练、索引训练四段，日志写在 logs/my-voice/ 下。
看到 assets/weights/ 出现 my-voice.pth、logs/my-voice/ 出现 added_ 开头的 .index 即成功。没有索引就再按一次"训练特征索引"。
第 5 步：推理验证
在"模型推理"页选模型，转换一段音频。
点"刷新音色列表"，推理音色里选实验名，上传一段音频，变调填 0，点"转换"。
看到输出音频能播放、音色和训练集对得上即成功。
效果不满意？调这几个旋钮
默认参数能出结果，但 RVC 变声器的效果取决于以下几个变量。
| 参数 | 默认值 | 怎么调 | 调了会怎样 |
|---|---|---|---|
| 总轮数 total_epoch | 20 | 底噪大数据 20~30，干净长数据 200 | 噪数据训太多轮会把噪音学进去，干净数据训太少没收敛 |
| 保存频率 save_every_epoch | 5 | 调小，多留检查点 | 检查点多才能逐个试听，挑最早达标的，避免过拟合 |
| batch_size | 约显存 GB 数的一半 | OOM 就往下调，最低 1 | 调小稳定、调大提速，1 还 OOM 说明显存低于 4GB |
| 检索特征占比 index rate | 0.75 | 0~1 之间拉 | 调高锚定训练集音色，调低音质上限更高但可能音色泄露 |
| 保护值 protect | 0.33 | 有电音就调低 | 保护清辅音和呼吸声，调低保护力度更大 |
- 如果出现输出有电音、撕裂声，大概率是清辅音没保护好，把 protect 从 0.33 调到 0.2 试试
- 如果出现输出音色往输入音频或底模靠（音色泄露），大概率是 index rate 太低，把它调到 1 试试
- 如果训练报 out of memory，大概率是 batch size 太大，逐个往下调；调到 1 还报，就是显存低于 4GB，只能换卡
从单条到批量和实时变声
RVC 变声器跑通单条之后，剩下三个场景都直接可触发。
批量转换一个文件夹
"模型推理"页下有"批量推理"选项卡。填输入音频文件夹路径和输出文件夹（默认 opt），选模型和导出格式，点转换。
限制：批量推理 index rate 默认是 1，和单次推理的 0.75 不同，同一段音频两个入口结果会有差异。
说话实时变声
Windows 双击 go-realtime_gui.bat，其他平台跑python realtime_gui.py。界面里选模型和索引、选音频输入输出设备即可开始。
限制：端到端延迟 170ms，换 ASIO 设备能压到 90ms，但依赖声卡驱动支持，普通 USB 声卡别指望这个数。
翻唱：先分离再转换
用"伴奏人声分离&去混响&去回声"选项卡的 UVR5 模型，把混音拆成人声和伴奏，人声再进推理页转换。
限制：要先下载 uvr5_weights，分离质量取决于混音本身。
- □ 把一段不在训练集里的新录音扔进去，输出音色应该和那个人对得上
- □ 把变调设为 +12，输出应该比输入高一个八度
- □ 同一模型带索引和不带索引各推一次，带索引的音色相似度应该更稳
三个都过了，流程就通了。
【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
