企业官网建设流程全解析

RVC WebUI 声音克隆：十分钟录音做出自己的变声器

【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

老式变声器出来的声音电子味重，想调出像样的效果往往要录几个小时的素材，还未必像。RVC WebUI 声音克隆提供了另一条路：它是 MIT 协议的免费开源工具，用 10 分钟低底噪录音就能训练出一个可使用的语音转换（VC）模型，既能离线给歌曲换人声音色，也能在直播、通话里实时变声。入门级独立显卡即可跑，没有 N 卡也有 CPU 或 DirectML 的可用方案。下面按一条完整的声音克隆入门教程流程走一遍。

小数据量与低显存门槛：它比传统变声器好在哪

传统变声器的原理是移调加效果器，结果像机器人，而且根本不像目标人物。RVC 的做法是先把声音拆成内容与音色两类特征，再用检索机制把输出音色替换成训练集音色——项目名里的 Retrieval-based 指的就是这个。它用 top1 检索替换源特征，输出音色贴近训练对象，同时避免训练集音色泄漏到结果里。

对照一下以前的麻烦：

数据量方面，FAQ 建议 10–50 分钟；音色有特色且底噪低时，5–10 分钟也能见效。

十分钟跑通：从装依赖到听到结果

准备 Python 3.12 环境与依赖

该分支面向 Python 3.12 x64，Ubuntu 用户建议 24.04。克隆仓库并建虚拟环境：

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选依赖文件安装。N 卡先装对应 CUDA 版本的 Torch，再装requirments_cu118_py312.txt（RTX 50 系用 cu128 版）；CPU、AMD、Intel 直接装 CPU 版：

python -m pip install -r requirments_cpu_py312.txt

完成标志：python -c "import torch"无报错，且输出的 CUDA 状态与你的硬件匹配。

下载底模到 assets 目录

仓库本身不含底模，需要按 README 的目录结构放到assets/下：hubert_base/和rmvpe/是推理必需，训练还要加pretrained/与pretrained_v2/。README 里给出了基于 huggingface_hub 的下载命令，照抄执行即可，也可以手工下载后按路径摆放。Windows 用户另需把 ffmpeg.exe、ffprobe.exe 放到项目根目录，Ubuntu 前面装系统依赖时已一并装好。

启动训练界面

python webui.py

浏览器会自动打开界面，默认端口 7865；无桌面的服务器加--noautoopen后手动访问。

跑一次完整流程并验证

把 10 分钟以上的目标人声录音放入训练集目录（要求底噪低）。界面上填实验名，音高提取选默认的 RMVPE——它是项目默认项，速度快、占显存少，然后一键执行数据集处理和模型训练。训练完切到推理页，选中新模型与对应索引，上传一段没参与训练的人声作为输入，生成结果。

验证标准就一条：输出听起来是“目标音色 + 原句的旋律和节奏”。控制台无报错、音色方向对了，这次训练就算成功。

场景深讲

直播实时变声：要调哪几个参数

适合谁：主播、K 歌用户，以及任何想用另一种声音通话的人。

怎么用：运行python realtime_gui.py（Windows 双击 go-realtime_gui.bat），选输入输出设备和模型即可开始说话。端到端延迟约 170ms，声卡支持 ASIO 时能压到约 90ms。

调哪里：

• 音高提取方式：实时场景选 RMVPE，速度和准确性最稳；pm 更快但精度低一些。
• 音调升降：想整体变高或变低，在音调参数上调，即时生效。
• index_rate：控制输出向训练音色的贴近程度。不像目标就调高，出现浑浊感就调低；它到 1 时理论上完全消除推理源音色泄漏，但音质会更偏向训练集。

给歌曲的人声换音色：分离加转换两步走

适合谁：想做歌曲人声翻唱版、给播客或配音换音色的人。

怎么用：原曲是人声加伴奏的混合体，第一步先分离。界面内置 UVR5 人声分离，输入原曲导出纯人声；第二步把干声送进推理页转换。两步都在界面内完成，不需要手写脚本。

调哪里：分离出的干声如果带噪或带残响，先回 UVR5 页换分离模型再处理，别急着怪转换模型。批量处理多首文件时，先把一首文件的分离、推理流程调通再复制流程；命令行方式在 FAQ Q7 有说明，WebUI 消息窗也会打印对应的数据集处理和训练命令。

把训练好的音色分享给别人

适合谁：想把模型给朋友用，或换设备继续用同一个音色的人。

怎么用：注意logs/实验名/下的 pth 是实验状态快照，供复现和续训，不是拿来分享的；可分享的是assets/weights/下 60MB 以上的那个 pth，且要连同对应的 .index 文件一起打包。

验证方式：对方设备上把 pth 放入assets/weights/、index 放入assets/indices/，刷新音色列表能选中并正常推理，即打包无误。

避坑手册：四个高频问题

报 ffmpeg error 或 utf8 error

症状：加载训练集时报 ffmpeg 或 utf8 相关错误。可能原因：大概率不是 ffmpeg 本身，而是路径带空格、括号等特殊符号，或训练集路径含中文。对策：把训练集挪到纯英文且无空格的路径，项目目录本身也建议放在英文路径下。

显存溢出 CUDA out of memory

症状：训练或推理时显存不足崩溃。可能原因：显存不够；4G 以下显存基本无解，4G 是可用下限。对策：训练时缩小 batch size；推理时缩小 configs/config.py 末尾的 x_pad、x_query、x_center、x_max，程序对低显存卡也会自动切到更小配置——低显存语音转换能做的优化主要就在这两处。

输出音色不像目标

症状：训练完成，但声音介于自己和目标之间，甚至偏向底模音色。可能原因：这叫音色泄漏，当推理源或底模音质高于训练集时，输出音质被带高、音色被带偏。对策：调高 index_rate；若训练集音质好、时长足，则优先调高 total_epoch（FAQ 的口径是低质数据 20–30 足够，高质数据可到 200），模型本身就不会太依赖检索混色。

一键训练后没有索引，或界面报 Connection Error

症状：控制台显示训练完成但没生成 added 开头的索引文件；或浏览器显示 Connection Error / Expecting value。可能原因：训练集过大时索引步骤卡住；连接错误通常是控制台窗口被关了，或系统代理干扰了本地访问。对策：再点一次训练索引按钮；保持控制台窗口开着；关闭全局或局域网代理。

下一步与求助入口

跑通主线之后，值得按顺序做三件事：再收集 10 分钟数据换新实验名续训，音色会持续贴近；用 ckpt 选项卡里的 ckpt-merge 融合两个模型，换一种更稳的音色方向；最后切到实时界面，在真实对话里检验延迟和听感。

卡住时优先查仓库内置文档：docs/cn/faq.md 覆盖路径、显存、模型分享等高频问题，docs/cn/Changelog_CN.md 记录各版本改动。界面文案的多语言翻译文件在i18n/locale/下，改界面措辞可以从那里入手。

【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