RVC-WebUI 语音音色转换入门指南10 分钟数据训出你的专属音色【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-WebUIRVC-WebUI 是一个开源的语音音色转换VCWeb 界面用 10 分钟以内的单一说话人语音数据就能训练出可复用的音色模型。读完全文你能跑通从数据准备到推理的完整流程并调出稳定的转换效果。它能帮你做成什么用 10 至 50 分钟的低底噪语音训练出一个音色模型.pth文件之后把任意一段音频替换成该音色输出可直接保存为音频文件。在推理页上传一段带背景音乐的音频调用 UVR5 分离出干净的人声再转换得到不含伴奏的变声结果。在实时变声界面里麦克风输入经处理后即时输出目标音色端到端延迟约 170ms配合 ASIO 设备可降到约 90ms。开始之前先确认你的环境和预计耗时再动手装东西。项目要求操作系统Windows x64或 Ubuntu 24.04Linux x86_64Python3.12 x64需建虚拟环境显卡NVIDIACUDA 11.8/12.8无独显可用 CPU 或 Windows DirectML磁盘空间预训练模型与训练产物合计数 GB准备步骤预计 15-30 分钟主要耗时在下载模型安装 Python 3.12 与ffmpegUbuntu 用apt install ffmpegWindows 将ffmpeg.exe、ffprobe.exe放到项目根目录。在仓库根目录创建虚拟环境并激活。按你的显卡类型从三个requirments_*.txt里选一个安装依赖。拿到第一次结果以下是最短路径每步一个命令。克隆仓库并进入目录。git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI得到项目源码后续所有命令都在这个根目录下执行。创建并激活虚拟环境Windows 用py -3.12 -m venv .venvLinux 用python3.12 -m venv .venv。python -m pip install --upgrade pip setuptools wheel隔离运行环境避免与系统 Python 包冲突。按显卡安装依赖。CPU/AMD/Intel 直接装requirments_cpu_py312.txtNVIDIA 需先装对应 CUDA 版本的 Torch 再装requirments_cu128_py312.txtRTX 50 系或requirments_cu118_py312.txt更早型号。python -m pip install -r requirments_cpu_py312.txt装完后依赖就绪。NVIDIA 用户可按前面说明补装 Torch。下载预训练模型Hubert、RMVPE、预训练底模保持仓库要求的assets/目录结构。python -m pip install --upgrade huggingface_hub随后按 README「下载模型」一节执行hf download命令把文件放到assets/hubert_base/、assets/rmvpe/、assets/pretrained/等路径。模型就绪后才能推理和训练。启动 WebUI。python webui.py服务默认监听端口7865启动后浏览器访问http://localhost:7865即可看到界面。在「推理」选项卡里选一个预置音色、上传一段音频、点转换得到你的第一个变声结果。这一步用仓库自带底模验证链路可用确认界面、模型、音高提取都正常后再进入下面的训练环节。做深一步第一次训练前如何准备语音数据操作准备单一说话人、低底噪的语音总时长 10 至 50 分钟切成单声道、统一采样率放入训练集目录后在界面填写路径与说话人 id。预期效果数据越干净、音色越统一训出的模型越稳定5 至 10 分钟的高质量数据也能出可用结果。常见坑路径含中文或空格容易触发ffmpeg error/utf8 error改用纯英文路径底噪大的数据别指望靠拉高训练轮数救回来先重录或降噪。如何设置训练参数操作在「训练」选项卡设置batch_size默认按显存自动算一般 1-16、total_epoch总轮数、保存频率 save_every_epoch每隔多少轮存一次。预期效果batch_size越大训练越快但越吃显存total_epoch控制收敛程度底噪小的数据可拉到 200 轮底噪大的 20-30 轮即可。常见坑显存不足直接报CUDA out of memory先把batch_size调到 1 再试进程开太多会内存爆炸把「提取音高和处理数据使用的 CPU 进程数」调低。训练后如何调参提升效果操作用index_rate0 到 1控制检索对音色的保护强度用f0音高调整输出高低。预期效果index_rate调到 1 时几乎不会出现推理源音色向结果泄漏但音质会更偏向训练集调 0 则不启用检索保护。音高按目标音色微调。常见坑训练集音质比推理源差时index_rate调太高反而降低音质分享模型应打包assets/weights/下 60MB 的.pth和对应.index别用logs/里几百 MB 的中间 ckpt。遇到问题时现象可能原因解法CUDA out of memory显存不足减小batch_size低于 4GB 显存的卡建议换卡推理里看不到新训练的音色界面未刷新 / 训练报错点「刷新音色」仍无则查logs/实验名下的日志训练结束没有.index索引训练集过大卡在索引步骤手动再点一次「训练索引」浏览器连接失败 /Connection Error控制台窗口被关 / 系统代理干扰保持控制台开启关闭全局或局域网代理更多问题可查 中文 FAQ里面逐条列了音高、模型分享、显存等常见情况。更进一步想看完整功能与多语言说明参考 英文文档 与 中文 FAQ。需要低延迟变声用 实时变声程序 或入口脚本 go-realtime_gui.bat参数支持热更新、无需重启。想深入算法可看 RMVPE 音高提取、UVR5 人声分离模块 与 训练主脚本。改动与实验记录见 更新日志。训练集质量决定上限参数只是把上限发挥出来。先用一段干净数据跑通全流程拿到可用的.pth再针对音高和index_rate做细调是效率最高的上手顺序。【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
