RVC 语音转换完整指南10分钟音频训练专属AI声音【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把 10 分钟的歌或说话录音丢进 Retrieval-based-Voice-Conversion-WebUI社区通称 RVC-WebUI跑完一轮训练你手里就多了一个能用自己声音翻唱歌曲的模型。整个过程不需要手写任何代码网页界面里点几下拉框等训练结束上传一段音频就能转换出目标音色在说话/唱歌的效果。这套开源框架MIT 协议免费支持 Windows、Linux、macOSN 卡走 CUDA、A 卡和 I 卡走 DirectML 或 CPU 方案甚至实现了端到端 90~170ms 延迟的实时变声器。一分钟看懂 RVC-WebUI 是什么一句话定位RVC-WebUI 是一个少量数据 网页操作的音色转换训练推理一体框架适合想克隆声音做翻唱、配音、直播变声的创作者也适合想研究 RVC 模型结构的学生和开发者。它不擅长的是零数据凭空捏音色必须提供真实人声训练集也不是一个通用的 TTS 系统不能输入文字出语音而是输入音频换音色。三个核心能力值得记住少数据可训练官方推荐至少 10 分钟低底噪语音底模本身由约 50 小时的开源 VCTK 数据集训练所以小数据集也能出可用效果。检索式防音色泄漏推理时用 top1 检索从训练集索引里找最接近的源特征去替换输入特征压制原唱歌者的音色残留这是它名字里 Retrieval-based 的含义。全链路工具内置 UVR5 人声分离、RMVPE 音高提取、模型融合ckpt-merge从素材处理到成品模型一站式完成。从零跑通环境、安装到第一次转换先确认环境要求这个分支面向Python 3.12 x64注意不是 3.8/3.9参考旧教程时留意版本号。系统方面Ubuntu 24.04 x86_64 是官方推荐环境Windows 装好 3.12 即可。硬件上没有硬性门槛4G 显存显卡即可训练纯 CPU 也能跑但速度明显慢。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-WebUIUbuntu 上先装系统依赖再建虚拟环境sudo apt update sudo apt install -y python3.12 python3.12-venv python3.12-dev ffmpeg unzip libsndfile1 libportaudio2 python3.12 -m venv .venv source .venv/bin/activate python -m pip install --upgrade pip setuptools wheelWindows 用 PowerShellpy -3.12 -m venv .venv .venv\Scripts\activate python -m pip install --upgrade pip setuptools wheel按显卡选依赖安装仓库里放了三份依赖清单按你的硬件挑一份安装顺序固定为先装对应 CUDA 版的 Torch再装清单硬件安装方式CPU / AMD / Intelpython -m pip install -r requirments_cpu_py312.txtWindows 可走 DirectMLLinux 走 CPUNVIDIA RTX 50 系先装 CUDA 12.8 版 Torch再装requirments_cu128_py312.txt50 系以前的 NVIDIA先装 CUDA 11.8 版 Torch再装requirments_cu118_py312.txt以 50 系以前的 N 卡为例两阶段命令是python -m pip install torch2.7.1cu118 torchaudio2.7.1cu118 \ --index-url https://download.pytorch.org/whl/cu118 \ --extra-index-url https://pypi.org/simple python -m pip install -r requirments_cu118_py312.txt装完用一行命令验证python -c import torch; print(torch:, torch.__version__); print(cuda:, torch.version.cuda); print(cuda available:, torch.cuda.is_available())看到cuda available: TrueN 卡说明就绪A/I 卡看到 False 属正常。下载预训练模型模型权重放在 Hugging Face 模型仓库按下面命令拉到assets/下并保留目录结构python -m pip install --upgrade huggingface_hub # 推理与特征提取必需 hf download lj1995/VoiceConversionWebUI --revision main \ --include hubert_base/* --local-dir assets hf download lj1995/VoiceConversionWebUI rmvpe.pt --revision main \ --local-dir assets/rmvpe训练还需预训练底模和静音样本hf download lj1995/VoiceConversionWebUI --revision main \ --include pretrained/* pretrained_v2/* --local-dir assets hf download lj1995/VoiceConversionWebUI mute.zip --revision main \ --local-dir .model-downloads python -m zipfile -e .model-downloads/mute.zip logs只用 UVR5 分离人声的话再补一份uvr5_weights/*即可。Windows 的 AMD/Intel DirectML 环境额外需要rmvpe.onnx。最终代码依赖的目录长这样路径必须原样保留assets/ ├── hubert_base/ # Hubert 特征提取模型 ├── rmvpe/rmvpe.pt # 音高提取模型 ├── pretrained/ # v1 底模 ├── pretrained_v2/ # v2 底模 ├── uvr5_weights/ # 人声分离权重 ├── weights/ # 放你自己训练的 .pth 模型 └── indices/ # 放你自己的 .index 索引文件 logs/mute/ # 训练用静音样本Windows 用户若系统没有 FFmpeg把ffmpeg.exe和ffprobe.exe两个文件放进项目根目录即可Hugging Face 仓库里有现成的。启动并做第一次转换python webui.py无桌面的服务器加参数python webui.py --noautoopen然后手动访问。Windows 上双击go-webui.bat效果相同go-realtime_gui.bat则启动实时变声界面。启动后浏览器会自动打开默认端口7865的 Gradio 页面。第一次使用的最短路径在训练选项卡填入一个实验名和训练音频路径 → 点一键训练它会自动完成人声分离可选、切分、提取特征、训练、建索引全流程→ 训练完成后在推理选项卡选中刚生成的assets/weights/实验名.pth和对应.index→ 上传一段测试音频 → 点转换。听到目标音色的输出说明全流程已经跑通。原理与架构速览它为什么能做到检索是怎么防音色泄漏的直接训练一个输入 A 声音 → 输出 B 音色的网络时模型有时会偷懒把输入里的原音色带进输出这就是所谓音色泄漏。RVC 的做法是在训练集上建 FAISS 向量索引推理时先从输入音频里取特征用 top1 检索在索引里找最近邻把源特征替换成训练集里那个最像的特征再送进模型。因为训练集特征天然只包含目标音色信息替换后泄漏通道就被切断了。代价是转换结果会更贴近训练集的音色和音质index_rate参数控制这个混合比例——调到 1 完全依赖检索特征音色最纯调到 0 则完全不用检索音质可能更好但泄漏风险回来。RMVPE音高提取的关键一环唱歌转换离不开音高曲线传统工具用 Crepe 又慢又容易漏掉无声段。RVC 集成了 InterSpeech 2023 的 RMVPE 模型代码在 infer/rmvpe.py速度快、显存占用小并且能正确标注哑音/无音高区间转换出的歌声断句明显更自然。目录结构速读Retrieval-based-Voice-Conversion-WebUI/ ├── webui.py # 离线 WebUI 主入口训练推理一体 ├── realtime_gui.py # 实时变声界面 ├── infer/ │ ├── vc/ # 语音转换核心modules/pipeline/utils │ ├── hubert.py # 特征提取 │ └── rmvpe.py # 音高提取 ├── train/ │ ├── train.py # 训练主脚本 │ ├── preprocess.py # 数据集切分处理 │ └── train_index.py # FAISS 索引构建 ├── tools/uvr5/ # UVR5 人声伴奏分离 ├── configs/ # 32k/40k/48k 推理配置 └── i18n/ # 多语言界面推理配置按输出采样率分了三套configs/ 下的 32k/40k/48k采样率越高音质上限越高但模型越大、推理越吃显存。实战避坑现象、原因与处理下面几条覆盖了社区反馈频率最高的问题均来自项目 FAQdocs/cn/faq.md按现象 → 原因 → 处理整理。现象报 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、括号或中文ffmpeg 和文件列表写入都会出错。处理训练集文件夹整体挪到不含特殊字符的纯英文短路径下。现象CUDA out of memory。显存不够。训练时把 batch size 调小缩到 1 还不够只能换卡推理时调小 configs/config.py 末尾的x_pad、x_query、x_center、x_max。4G 以下显存的卡基本可以放弃 GPU 训练。现象一键训练结束但没有added_开头的索引文件。常见于训练集较大时建索引步骤卡住。处理单独再点一次训练索引按钮项目已支持批量 add 索引降低内存占用。另外Training is done之后的部分报错是假的可以忽略。现象转换出来还是原唱歌者的声音音色泄漏。底模和推理源音质高于训练集时模型会借用它们的音色。处理把index_rate调高甚至到 1同时提升训练集音质并适当增加训练轮数。注意如果训练集音质反而比推理源差index_rate 拉太高会把音质也拉下来需要折中。现象不知道 total_epoch 设多少。训练集音质差、底噪大时 20~30 轮就够拉太高底模也救不回低音质数据训练集干净且量大时可以直接开到 200RVC 训练速度很快多跑几轮不亏。现象想分享模型不知道传哪个文件。logs/实验名/下的大 pth 是训练状态存档几百 MB不能直接拿来推理会报 f0、tgt_sr 等 key 缺失。可分享的是assets/weights/下 60MB 的 pth 加上对应.index文件或者直接用 ckpt 选项卡里的小模型提取从 logs 下的模型导出。现象Windows 报llvmlite.dll加载失败。缺 VC 运行库安装微软官方的 VC Redistributable x64 后重启 WebUI 即可。现象页面弹 Expecting value: line 1 column 1 或 Connection Error。前者关掉全局代理客户端和服务端代理都要关后者多半是控制台黑窗口被关了WebUI 进程跟着挂了。训练中途想继续加数据新建一个实验名把上次的 G/D 文件拷过去再一键训练会自动接着进度走不需要从头训。延伸与收尾场景方面点到为止这个框架在翻唱翻声、虚拟主播换声、直播实时变声realtime_gui.py启动端到端延迟 170msASIO 设备下可到 90ms、游戏角色配音这几类需求上验证得最充分。批量处理可以在 WebUI 的推理选项卡里一次丢多个文件完成。如果按上面的路径走完了安装和第一次转换接下来建议三件事换不同index_rate和音高参数f0up_key对比听感理解音色和音质的取舍用 ckpt-merge 把两个模型融合出新音色读一遍 docs/cn/faq.md 和 docs/en/faq_en.md 存档备查。围绕 Retrieval-based-Voice-Conversion-WebUI 的核心能力可以浓缩为检索式音色转换、10 分钟小数据训练、RMVPE 音高提取、UVR5 人声分离和实时变声。模型与文档资源入口见仓库 README 与 docs/ 目录多语言文档齐全遇到问题先查 FAQ 再提问效率最高。【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 
长河君 · 2026/10/27 1:47:01 · 阅读 1.2k RVC 语音转换完整指南：10分钟音频训练专属AI声音
RVC 语音转换完整指南10分钟音频训练专属AI声音【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把 10 分钟的歌或说话录音丢进 Retrieval-based-Voice-Conversion-WebUI社区通称 RVC-WebUI跑完一轮训练你手里就多了一个能用自己声音翻唱歌曲的模型。整个过程不需要手写任何代码网页界面里点几下拉框等训练结束上传一段音频就能转换出目标音色在说话/唱歌的效果。这套开源框架MIT 协议免费支持 Windows、Linux、macOSN 卡走 CUDA、A 卡和 I 卡走 DirectML 或 CPU 方案甚至实现了端到端 90~170ms 延迟的实时变声器。一分钟看懂 RVC-WebUI 是什么一句话定位RVC-WebUI 是一个少量数据 网页操作的音色转换训练推理一体框架适合想克隆声音做翻唱、配音、直播变声的创作者也适合想研究 RVC 模型结构的学生和开发者。它不擅长的是零数据凭空捏音色必须提供真实人声训练集也不是一个通用的 TTS 系统不能输入文字出语音而是输入音频换音色。三个核心能力值得记住少数据可训练官方推荐至少 10 分钟低底噪语音底模本身由约 50 小时的开源 VCTK 数据集训练所以小数据集也能出可用效果。检索式防音色泄漏推理时用 top1 检索从训练集索引里找最接近的源特征去替换输入特征压制原唱歌者的音色残留这是它名字里 Retrieval-based 的含义。全链路工具内置 UVR5 人声分离、RMVPE 音高提取、模型融合ckpt-merge从素材处理到成品模型一站式完成。从零跑通环境、安装到第一次转换先确认环境要求这个分支面向Python 3.12 x64注意不是 3.8/3.9参考旧教程时留意版本号。系统方面Ubuntu 24.04 x86_64 是官方推荐环境Windows 装好 3.12 即可。硬件上没有硬性门槛4G 显存显卡即可训练纯 CPU 也能跑但速度明显慢。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-WebUIUbuntu 上先装系统依赖再建虚拟环境sudo apt update sudo apt install -y python3.12 python3.12-venv python3.12-dev ffmpeg unzip libsndfile1 libportaudio2 python3.12 -m venv .venv source .venv/bin/activate python -m pip install --upgrade pip setuptools wheelWindows 用 PowerShellpy -3.12 -m venv .venv .venv\Scripts\activate python -m pip install --upgrade pip setuptools wheel按显卡选依赖安装仓库里放了三份依赖清单按你的硬件挑一份安装顺序固定为先装对应 CUDA 版的 Torch再装清单硬件安装方式CPU / AMD / Intelpython -m pip install -r requirments_cpu_py312.txtWindows 可走 DirectMLLinux 走 CPUNVIDIA RTX 50 系先装 CUDA 12.8 版 Torch再装requirments_cu128_py312.txt50 系以前的 NVIDIA先装 CUDA 11.8 版 Torch再装requirments_cu118_py312.txt以 50 系以前的 N 卡为例两阶段命令是python -m pip install torch2.7.1cu118 torchaudio2.7.1cu118 \ --index-url https://download.pytorch.org/whl/cu118 \ --extra-index-url https://pypi.org/simple python -m pip install -r requirments_cu118_py312.txt装完用一行命令验证python -c import torch; print(torch:, torch.__version__); print(cuda:, torch.version.cuda); print(cuda available:, torch.cuda.is_available())看到cuda available: TrueN 卡说明就绪A/I 卡看到 False 属正常。下载预训练模型模型权重放在 Hugging Face 模型仓库按下面命令拉到assets/下并保留目录结构python -m pip install --upgrade huggingface_hub # 推理与特征提取必需 hf download lj1995/VoiceConversionWebUI --revision main \ --include hubert_base/* --local-dir assets hf download lj1995/VoiceConversionWebUI rmvpe.pt --revision main \ --local-dir assets/rmvpe训练还需预训练底模和静音样本hf download lj1995/VoiceConversionWebUI --revision main \ --include pretrained/* pretrained_v2/* --local-dir assets hf download lj1995/VoiceConversionWebUI mute.zip --revision main \ --local-dir .model-downloads python -m zipfile -e .model-downloads/mute.zip logs只用 UVR5 分离人声的话再补一份uvr5_weights/*即可。Windows 的 AMD/Intel DirectML 环境额外需要rmvpe.onnx。最终代码依赖的目录长这样路径必须原样保留assets/ ├── hubert_base/ # Hubert 特征提取模型 ├── rmvpe/rmvpe.pt # 音高提取模型 ├── pretrained/ # v1 底模 ├── pretrained_v2/ # v2 底模 ├── uvr5_weights/ # 人声分离权重 ├── weights/ # 放你自己训练的 .pth 模型 └── indices/ # 放你自己的 .index 索引文件 logs/mute/ # 训练用静音样本Windows 用户若系统没有 FFmpeg把ffmpeg.exe和ffprobe.exe两个文件放进项目根目录即可Hugging Face 仓库里有现成的。启动并做第一次转换python webui.py无桌面的服务器加参数python webui.py --noautoopen然后手动访问。Windows 上双击go-webui.bat效果相同go-realtime_gui.bat则启动实时变声界面。启动后浏览器会自动打开默认端口7865的 Gradio 页面。第一次使用的最短路径在训练选项卡填入一个实验名和训练音频路径 → 点一键训练它会自动完成人声分离可选、切分、提取特征、训练、建索引全流程→ 训练完成后在推理选项卡选中刚生成的assets/weights/实验名.pth和对应.index→ 上传一段测试音频 → 点转换。听到目标音色的输出说明全流程已经跑通。原理与架构速览它为什么能做到检索是怎么防音色泄漏的直接训练一个输入 A 声音 → 输出 B 音色的网络时模型有时会偷懒把输入里的原音色带进输出这就是所谓音色泄漏。RVC 的做法是在训练集上建 FAISS 向量索引推理时先从输入音频里取特征用 top1 检索在索引里找最近邻把源特征替换成训练集里那个最像的特征再送进模型。因为训练集特征天然只包含目标音色信息替换后泄漏通道就被切断了。代价是转换结果会更贴近训练集的音色和音质index_rate参数控制这个混合比例——调到 1 完全依赖检索特征音色最纯调到 0 则完全不用检索音质可能更好但泄漏风险回来。RMVPE音高提取的关键一环唱歌转换离不开音高曲线传统工具用 Crepe 又慢又容易漏掉无声段。RVC 集成了 InterSpeech 2023 的 RMVPE 模型代码在 infer/rmvpe.py速度快、显存占用小并且能正确标注哑音/无音高区间转换出的歌声断句明显更自然。目录结构速读Retrieval-based-Voice-Conversion-WebUI/ ├── webui.py # 离线 WebUI 主入口训练推理一体 ├── realtime_gui.py # 实时变声界面 ├── infer/ │ ├── vc/ # 语音转换核心modules/pipeline/utils │ ├── hubert.py # 特征提取 │ └── rmvpe.py # 音高提取 ├── train/ │ ├── train.py # 训练主脚本 │ ├── preprocess.py # 数据集切分处理 │ └── train_index.py # FAISS 索引构建 ├── tools/uvr5/ # UVR5 人声伴奏分离 ├── configs/ # 32k/40k/48k 推理配置 └── i18n/ # 多语言界面推理配置按输出采样率分了三套configs/ 下的 32k/40k/48k采样率越高音质上限越高但模型越大、推理越吃显存。实战避坑现象、原因与处理下面几条覆盖了社区反馈频率最高的问题均来自项目 FAQdocs/cn/faq.md按现象 → 原因 → 处理整理。现象报 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、括号或中文ffmpeg 和文件列表写入都会出错。处理训练集文件夹整体挪到不含特殊字符的纯英文短路径下。现象CUDA out of memory。显存不够。训练时把 batch size 调小缩到 1 还不够只能换卡推理时调小 configs/config.py 末尾的x_pad、x_query、x_center、x_max。4G 以下显存的卡基本可以放弃 GPU 训练。现象一键训练结束但没有added_开头的索引文件。常见于训练集较大时建索引步骤卡住。处理单独再点一次训练索引按钮项目已支持批量 add 索引降低内存占用。另外Training is done之后的部分报错是假的可以忽略。现象转换出来还是原唱歌者的声音音色泄漏。底模和推理源音质高于训练集时模型会借用它们的音色。处理把index_rate调高甚至到 1同时提升训练集音质并适当增加训练轮数。注意如果训练集音质反而比推理源差index_rate 拉太高会把音质也拉下来需要折中。现象不知道 total_epoch 设多少。训练集音质差、底噪大时 20~30 轮就够拉太高底模也救不回低音质数据训练集干净且量大时可以直接开到 200RVC 训练速度很快多跑几轮不亏。现象想分享模型不知道传哪个文件。logs/实验名/下的大 pth 是训练状态存档几百 MB不能直接拿来推理会报 f0、tgt_sr 等 key 缺失。可分享的是assets/weights/下 60MB 的 pth 加上对应.index文件或者直接用 ckpt 选项卡里的小模型提取从 logs 下的模型导出。现象Windows 报llvmlite.dll加载失败。缺 VC 运行库安装微软官方的 VC Redistributable x64 后重启 WebUI 即可。现象页面弹 Expecting value: line 1 column 1 或 Connection Error。前者关掉全局代理客户端和服务端代理都要关后者多半是控制台黑窗口被关了WebUI 进程跟着挂了。训练中途想继续加数据新建一个实验名把上次的 G/D 文件拷过去再一键训练会自动接着进度走不需要从头训。延伸与收尾场景方面点到为止这个框架在翻唱翻声、虚拟主播换声、直播实时变声realtime_gui.py启动端到端延迟 170msASIO 设备下可到 90ms、游戏角色配音这几类需求上验证得最充分。批量处理可以在 WebUI 的推理选项卡里一次丢多个文件完成。如果按上面的路径走完了安装和第一次转换接下来建议三件事换不同index_rate和音高参数f0up_key对比听感理解音色和音质的取舍用 ckpt-merge 把两个模型融合出新音色读一遍 docs/cn/faq.md 和 docs/en/faq_en.md 存档备查。围绕 Retrieval-based-Voice-Conversion-WebUI 的核心能力可以浓缩为检索式音色转换、10 分钟小数据训练、RMVPE 音高提取、UVR5 人声分离和实时变声。模型与文档资源入口见仓库 README 与 docs/ 目录多语言文档齐全遇到问题先查 FAQ 再提问效率最高。【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