10 分钟克隆出第一个音色模型Retrieval-based-Voice-Conversion-WebUI 完整上手指南【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-WebUI10 分钟录音换一张嘴。收集 10 分钟干净人声训练 1~3 小时Retrieval-based-Voice-Conversion-WebUI 就能把你的说话音色替换到任意一段音频上。这个框架的核心手法是用 top1 检索替换训练集特征转换后的声音不会带出原说话人的音色。能力全景先说清楚它做什么、需要什么机器最少 10 分钟人声就能训练自己的音色模型支持单条与批量转换Windows、Linux、MacOS 都能跑NVIDIA 显卡最快AMD/Intel 走 CPU 或 DirectML内置 UVR5 人声分离与 RMVPE 音高提取清洗和转换一条龙实时变声端到端延迟约 170ms配 ASIO 声卡可压到 90ms 左右组件最低要求推荐配置Python3.12 x643.12 虚拟环境显卡集显CPU 推理NVIDIA RTX 系列内存4GB8GB 以上磁盘空间2GB5GB 以上模型权重占大头 从克隆到启动最小可行路径第一步拿代码、建虚拟环境。git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI python3.12 -m venv .venv source .venv/bin/activate提示Windows 用py -3.12 -m venv .venvLinux 推荐 Ubuntu 24.04。第二步按硬件装依赖。python -m pip install -r requirments_cu118_py312.txt # NVIDIARTX 50 系以前 python -m pip install -r requirments_cpu_py312.txt # CPU / AMD / Intel提示文件名真的少一个 r是requirments_*.txtRTX 50 系需要先装 CUDA 12.8 的 Torch再装requirments_cu128_py312.txt。第三步下载预训练模型。python -m pip install --upgrade 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提示网络慢也可以从 Hugging Face 空间手动下载文件按 README 的路径放进assets/。只做推理这两步就够要训练再补pretrained/*和pretrained_v2/*。第四步启动。python webui.py启动后浏览器会打开127.0.0.1:7865端口被占用会自动顺延。界面按页签组织数据集处理、模型训练、推理转换、ckpt 处理、UVR5 人声分离。先点进推理转换加载一个示例模型30 秒内就能转换出第一条音频。 核心工作流拆解从原始人声到新音色的四步1. 准备数据。单一说话人、10~30 分钟、低底噪、无背景音乐、音量均匀。带背景音的录音可以先用内置 UVR5 清洗实现在 tools/uvr5/把处理好的文件放进dataset/目录在 WebUI 点数据集处理它会自动切片成可训练片段。2. 训练。选好目标说话人后点一键训练核心转换与合成逻辑在 infer/vc/。训练完模型存为assets/weights/下的.pth文件同时生成配套的.index检索索引。参数常见值调节建议采样率40k追求更高音质可用 48k训练会更慢总轮数 total_epoch10~20先跑 10 轮试听不满意再拉长batch_size按显存自动设置报显存不足时先减半3. 推理转换。在推理页签加载.pth和.index设好音高即可转换。参数常见值调节建议音高 pitch0男声输入转女模常见 -12不自然就按 2~4 个半音微调检索比 index_rate0~1调高更接近目标音色过高声音会发木4. 批量处理。推理页签支持批量转换指定输入与输出文件夹就能一次跑完。想要实时连麦可以用realtime_gui.py打开实时变声界面。 调优、排错与延伸参数怎么调才有效果先跑 10 个 epoch 试听再决定是否拉长训练不建议一上来就跑满音色还是像本人先怀疑数据底噪大、多人混音是最常见原因想要混血音色用 ckpt 页签的 ckpt-merge 融合两个模型跑不动/效果差时查这里现象可能原因解法训练报显存不足batch_size 过大调小 batch_size 或降低采样率转换后仍像原声检索未开启或训练不足开启检索、增加轮数、清洗数据输出有机械音/杂音训练数据带噪声先用 UVR5 分离剔除坏样本WebUI 起不来模型或依赖不全对照 README 检查assets/目录结构下一步可以玩什么实时变声实时界面端到端延迟约 170ms配 ASIO 设备可压到 90ms 左右模型融合ckpt-merge 调节两个音色模型的比例造出混合音色对接其他项目导出的.pth.index可以交给第三方推理工具使用温馨提示常见问题、对照实验和版本更新建议查 docs/cn/faq.md 与项目文档目录下的多语言说明。关键词RVC 语音转换, Retrieval-based-Voice-Conversion-WebUI, 10 分钟语音训练, 音色转换, RVC 实时变声, UVR5 人声分离【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 1:51:02 · 阅读 1.2k 10 分钟克隆出第一个音色模型：Retrieval-based-Voice-Conversion-WebUI 完整上手指南
10 分钟克隆出第一个音色模型Retrieval-based-Voice-Conversion-WebUI 完整上手指南【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-WebUI10 分钟录音换一张嘴。收集 10 分钟干净人声训练 1~3 小时Retrieval-based-Voice-Conversion-WebUI 就能把你的说话音色替换到任意一段音频上。这个框架的核心手法是用 top1 检索替换训练集特征转换后的声音不会带出原说话人的音色。能力全景先说清楚它做什么、需要什么机器最少 10 分钟人声就能训练自己的音色模型支持单条与批量转换Windows、Linux、MacOS 都能跑NVIDIA 显卡最快AMD/Intel 走 CPU 或 DirectML内置 UVR5 人声分离与 RMVPE 音高提取清洗和转换一条龙实时变声端到端延迟约 170ms配 ASIO 声卡可压到 90ms 左右组件最低要求推荐配置Python3.12 x643.12 虚拟环境显卡集显CPU 推理NVIDIA RTX 系列内存4GB8GB 以上磁盘空间2GB5GB 以上模型权重占大头 从克隆到启动最小可行路径第一步拿代码、建虚拟环境。git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI python3.12 -m venv .venv source .venv/bin/activate提示Windows 用py -3.12 -m venv .venvLinux 推荐 Ubuntu 24.04。第二步按硬件装依赖。python -m pip install -r requirments_cu118_py312.txt # NVIDIARTX 50 系以前 python -m pip install -r requirments_cpu_py312.txt # CPU / AMD / Intel提示文件名真的少一个 r是requirments_*.txtRTX 50 系需要先装 CUDA 12.8 的 Torch再装requirments_cu128_py312.txt。第三步下载预训练模型。python -m pip install --upgrade 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提示网络慢也可以从 Hugging Face 空间手动下载文件按 README 的路径放进assets/。只做推理这两步就够要训练再补pretrained/*和pretrained_v2/*。第四步启动。python webui.py启动后浏览器会打开127.0.0.1:7865端口被占用会自动顺延。界面按页签组织数据集处理、模型训练、推理转换、ckpt 处理、UVR5 人声分离。先点进推理转换加载一个示例模型30 秒内就能转换出第一条音频。 核心工作流拆解从原始人声到新音色的四步1. 准备数据。单一说话人、10~30 分钟、低底噪、无背景音乐、音量均匀。带背景音的录音可以先用内置 UVR5 清洗实现在 tools/uvr5/把处理好的文件放进dataset/目录在 WebUI 点数据集处理它会自动切片成可训练片段。2. 训练。选好目标说话人后点一键训练核心转换与合成逻辑在 infer/vc/。训练完模型存为assets/weights/下的.pth文件同时生成配套的.index检索索引。参数常见值调节建议采样率40k追求更高音质可用 48k训练会更慢总轮数 total_epoch10~20先跑 10 轮试听不满意再拉长batch_size按显存自动设置报显存不足时先减半3. 推理转换。在推理页签加载.pth和.index设好音高即可转换。参数常见值调节建议音高 pitch0男声输入转女模常见 -12不自然就按 2~4 个半音微调检索比 index_rate0~1调高更接近目标音色过高声音会发木4. 批量处理。推理页签支持批量转换指定输入与输出文件夹就能一次跑完。想要实时连麦可以用realtime_gui.py打开实时变声界面。 调优、排错与延伸参数怎么调才有效果先跑 10 个 epoch 试听再决定是否拉长训练不建议一上来就跑满音色还是像本人先怀疑数据底噪大、多人混音是最常见原因想要混血音色用 ckpt 页签的 ckpt-merge 融合两个模型跑不动/效果差时查这里现象可能原因解法训练报显存不足batch_size 过大调小 batch_size 或降低采样率转换后仍像原声检索未开启或训练不足开启检索、增加轮数、清洗数据输出有机械音/杂音训练数据带噪声先用 UVR5 分离剔除坏样本WebUI 起不来模型或依赖不全对照 README 检查assets/目录结构下一步可以玩什么实时变声实时界面端到端延迟约 170ms配 ASIO 设备可压到 90ms 左右模型融合ckpt-merge 调节两个音色模型的比例造出混合音色对接其他项目导出的.pth.index可以交给第三方推理工具使用温馨提示常见问题、对照实验和版本更新建议查 docs/cn/faq.md 与项目文档目录下的多语言说明。关键词RVC 语音转换, Retrieval-based-Voice-Conversion-WebUI, 10 分钟语音训练, 音色转换, RVC 实时变声, UVR5 人声分离【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