企业官网建设流程全解析

RVC WebUI 完整指南：如何用 10 分钟语音数据训练 AI 变声模型

【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

Retrieval-based-Voice-Conversion-WebUI（简称 RVC WebUI）是一个开源的检索式变声（VC）训练框架，基于 VITS 实现，用 10 分钟内的低底噪语音就能训出一个可用的音色转换模型，还支持实时变声。本文带你从零把环境搭好、走通一次完整训练，并给出调参和排错的实用建议。

一、先跑起来：从克隆到启动的最短路径

环境要求很简单：Python 大于 3.8，以及 ffmpeg（训练和推理都要调用它）。

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

然后安装 PyTorch 和对应显卡的依赖：

pip install torch torchvision torchaudio pip install -r requirements.txt # N 卡；A/I 卡用 requirements-dml.txt

RVC 还需要一批预训练文件（hubert_base.pt、pretrained、uvr5_weights 等），仓库的 tools/download_models.py 提供了下载脚本，也可以参考 README 中的清单手动放置。ffmpeg 未安装的话：Ubuntu/Debian 执行sudo apt install ffmpeg，Mac 执行brew install ffmpeg。

全部就绪后启动：

python infer-web.py

浏览器会自动打开 WebUI 界面；Windows 整合包用户也可以直接双击go-web.bat。

二、完整走通一次训练：从 10 分钟音频到变声

想达成什么：用自己的 10~20 分钟人声，训出一个能替换他人声色的模型。

具体怎么做：

1. 准备数据：把干净的人声 WAV 放到一个目录，采样率建议 44100Hz，底噪要低。
2. 数据切片：在"切片"选项卡设置目标采样率和阈值（默认 -40dB），程序会用内置的 slicer 把长音频切成短片段。
3. 提取特征：在"提取"选项卡选择音高算法（f0_method，推荐 rmvpe）和 Hubert 模型，对切片做音高和语义特征提取。
4. 训练：在"训练"选项卡填入实验名和 batch_size，启动后模型保存在weights/，实验状态在logs/实验名/。
5. 建立索引：训练完成后点击"训练索引"，生成.index检索文件，这是检索式替换的关键。

得到什么结果：切到"推理"选项卡，加载weights/下 60MB+ 的 pth 和对应 index，上传你的源音频，指定音高（f0_up_key，半声为 12，降半声为 -12）和 f0_method，点开始推理即可得到转换后的音频。

三、你大概率会碰到的参数与配置

推理和实时变声的常用参数集中在 infer/modules/vc/ 和实时配置的 configs/config.json 里：

• index_rate（0~1）：检索混合比例。调高更保训练集音色但音质偏向训练集；调低则音质更受推理源和底模影响，可能出现"音色泄露"
• f0_method：音高提取算法，rmvpe 效果最好且资源占用小，pm、dio、harvest 速度更快但精度略低
• f0_up_key：目标音高偏移，整数半声，0 表示不变
• filter_radius：大过 0 时启用中位数滤波，可平滑音高抖动
• total_epoch：训练轮数。底噪大的训练集 20~30 即可，高音质长数据可拉到 200

设备与显存相关配置在 configs/config.py：device选卡号，is_half控制半精度（4G 以下显存建议关掉，代码对 1060/1070/1080 等卡会自动强制 fp32 并降低x_pad、x_query等参数）。

四、高频踩坑集

当你遇到「ffmpeg error / utf8 error」：多半不是 ffmpeg 的问题，而是路径问题。ffmpeg 读不到带空格、括号的路径；filelist.txt 写入时中文路径可能触发 utf8 error。把音频放到纯英文、无空格的路径下重试即可。

当你遇到「Cuda out of memory」：训练时缩小 batch_size；推理时调小 configs/config.py 末尾的x_pad、x_query、x_center、x_max。4G 以下显存基本可以放弃训练，4G 显存还能抢救。

当你遇到「一键训练结束没有 index 文件」：如果是大训练集，添加索引步骤可能卡住或占内存过大，重新点一次"训练索引"按钮通常就能补上。

当你遇到「Connection Error」：多半是控制台窗口（黑色命令行窗口）被手动关掉了，重新通过go-web.bat或python infer-web.py启动即可。

当你遇到「Expecting value: line 1 column 1」：关掉局域网/全局代理再试，包括服务端环境里设置的 http_proxy 变量。

五、进阶探索

训练好第一个模型后，可以往这几个方向走：

• 实时变声：双击go-realtime-gui.bat打开实时界面，configs/config.json 中的block_time、crossfade_length、threhold都影响延迟，项目已实现端到端约 170ms 延迟
• 命令行与批处理：tools/infer_cli.py 支持单文件推理，tools/infer_batch_rvc.py 可批量转换整个目录
• 模型融合：ckpt 选项卡里的 ckpt-merge 可以把两个模型融合出新音色
• 导出与部署：tools/export_onnx.py 可导出 ONNX，tools/infer/ 下有独立的训练和索引脚本
• 文档与社区：多语言 FAQ 在 docs/cn/faq.md 和 docs/en/，训练技巧可看 docs/cn/ 下的教程文档

把数据切干净、选对 f0_method、训练完记得建索引——这三步做到位，10 分钟数据训出的模型就已经能用了。剩下的，靠多听、多调参。

【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