10分钟音频炼出AI声线RVC-WebUI 语音音色转换教程【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-WebUIRetrieval-based-Voice-Conversion-WebUI下称 RVC-WebUI做的事很直接把你手里 10 分钟左右的清晰人声炼成一个能用的语音转换模型再在浏览器里把任何一段音频说成这个人的声音。底模是用约 50 小时开源 VCTK 数据集预训练好的你不需要从零训练只做微调训练、推理、人声分离全部收在一个 Gradio 网页里不碰代码也能跑完整个流程。这套框架能做什么10 分钟低底噪数据即可训出可用模型推荐采样率 40k/48ktop1 检索替换输入源特征为训练集特征从机制上杜绝音色泄漏内置 InterSpeech 2023 的 RMVPE 音高提取比 crepe_full 更快专治哑音实时变声端到端延迟 170ms配合 ASIO 输入输出可压到 90ms集成 UVR5 做伴奏/人声分离AMD/Intel 显卡在 Windows 可走 DirectMLLinux 走 CPU能力说完了下面把环境搭起来。装依赖与启动最短路径环境要求一句话Python 3.12 x64Ubuntu 24.04 x86_64 或 Windows 桌面环境NVIDIA 显卡显存 ≥4GB 体验最佳configs/config.py 里写死了这个下限低于它会自动退回 CPU。第一步克隆仓库git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI第二步建虚拟环境按硬件装依赖python3.12 -m venv .venv source .venv/bin/activate # CPU / AMD / IntelAMD 在 Windows 上可用 DirectML pip install -r requirments_cpu_py312.txtNVIDIA 用户分两种情况RTX 50 系先装 CUDA 12.8 的 Torch 再装requirments_cu128_py312.txtRTX 50 系以前的卡先装 CUDA 11.8 的 Torch 再装requirments_cu118_py312.txt。装完可以验证一下python -c import torch; print(torch.__version__, torch.cuda.is_available())第三步下载预训练模型到assets/用 Hugging Face 的hf download把lj1995/VoiceConversionWebUI仓库里的hubert_base/、rmvpe/rmvpe.pt、pretrained/、pretrained_v2/拉到assets/下只有要用 UVR5 分离人声才需要额外下uvr5_weights/。Windows 用户若系统没有 ffmpeg把ffmpeg.exe、ffprobe.exe放到项目根目录即可。第四步一条命令启动python webui.py默认监听 7865 端口浏览器自动打开无桌面的服务器加--noautoopen参数端口被占时程序会自动顺延到下一个可用端口。提示实时变声是另一个入口python realtime_gui.pyWindows 下双击go-realtime_gui.bat它独立于 WebUI走桌面小窗口参数可以热更新、不用重启。环境通了接下来走一遍最高频的主线备数据、训练、转换。把 10 分钟人声喂给训练器训练页签按 step1 到 step3 排好了操作顺序照着点即可。step1填实验配置填一个实验名logs/下每个实验一个文件夹配置、日志、ckpt 都放里面选目标采样率 40k 或 48k再决定模型是否带音高指导——唱歌场景必须选是纯语音可以选否。版本默认 v2对应assets/pretrained_v2/f0G40k.pth这一代底模。step2a处理数据填入训练文件夹路径点处理数据。train/preprocess.py 会自动遍历所有能解码的音频用能量切片器-42dB 阈值、约 3.7 秒一片、0.3 秒重叠切成短片段并做响度归一化同时做 48Hz 高通滤掉低频轰鸣。你只需要保证素材是单一说话人、低底噪、无背景音乐原曲带伴奏的先丢进伴奏人声分离去混响去回声页签用 UVR5 提一遍干声。step2b特征提取音高用 CPU 提取选 rmvpe 算法Hubert 声学特征用 GPU 提取多卡可以用-分隔填多个卡号并行。step3开始训练关键参数就三个默认值基本能用参数默认值说明save_every_epoch5每 5 个 epoch 存一次 ckpttotal_epoch2010 分钟小数据跑完 20 轮通常就够每张显卡的 batch_size按显存自动估算显存紧就往下调提示数据在 10 分钟以内的小数据勾上缓存所有训练集至显存能明显提速数据量大就别勾收益小还容易炸显存。训练结束后你会拿到三样东西实验目录里的大体积训练 ckpt、assets/weights/里的小体积推理模型.pth、以及用 train/train_index.py 基于 faiss 建好的 .index 索引文件。推理时 .pth 和 .index 要配套选。模型到手跑第一句转换。第一次转换先摸透三个参数模型推理 → 单次推理页签里选模型后拖入音频真正影响听感的是这三个滑块变调整数半音数12 升一个八度-12 降一个八度男女互转基本就是 ±12检索特征占比index_rate默认 0.75控制拿训练集特征替换源特征的比例拉高音色更像目标说话人保护protect默认 0.33保护清辅音和呼吸声、防止电音撕裂拉满 0.5 等于关闭保护音高提取算法选 rmvpe 即可它是默认值也是目前最稳的选择。转完不满意先看批量推理页签填输入文件夹整批音频会输出到opt/目录适合回头一次性验证多个素材。提示同一个输入路径连续推理时程序会缓存已提取的音高反复调参对比不用每次等重新提取。想更懂它为什么这样工作花两分钟看看目录划分。目录怎么分核心模块速览Retrieval-based-Voice-Conversion-WebUI/ ├── webui.py # WebUI 入口五个页签都挂在这 ├── realtime_gui.py # 实时变声独立 GUI ├── infer/ # 推理核心 │ ├── vc/pipeline.py # 转换主流程 │ ├── hubert.py # Hubert 特征提取 │ ├── rmvpe.py # RMVPE 音高提取 │ └── rtrvc.py # 实时推理接口 ├── train/ # 切片、特征提取、训练、索引构建 ├── tools/ # UVR5 分离、CUDA Graph 等工具 ├── configs/ # v1/v2 网络配置文件 └── i18n/ # 12 种语言界面三个设计点值得知道检索式替换推理时先在 faiss 索引里找训练集中最相似的特征top1盖住输入源特征相当于把目标音色的声纹指纹压到源特征上音色泄漏就是这么被掐断的设备自适应精度configs/config.py 按显存和 SM 版本自动决定 fp16/fp32 甚至退回 CPUPascal 和 16 系老卡不会被强推半精度模块化推理链路音高RMVPE、声学特征Hubert、声码器VITS 系各自独立换算法只需换 infer/ 下对应模块理解了结构看看别人拿它做什么。唱歌、直播、批量转换三个真实用法翻唱与 AI 歌手训练时是否带音高指导必须选是推理时变调给 ±12 做男女对调音高用 rmvpe 提取男低音场景 RMVPE 的识别比老算法稳得多。想融合两个人的音色用ckpt处理页签的 ckpt-merge 把两个 .pth 按比例混合即可不必重训。直播与虚拟形象跑realtime_gui.py输入输出设备选同一种类型比如都用 MME追求更低延迟就切 ASIO端到端 90ms 量级。界面里显示的算法延迟/推理时间会实时更新方便你按硬件调 block_time 和 crossfade。批量与进阶调参输出有电音撕裂把 protect 往 0.5 方向调低音色不够像把 index_rate 提到 0.8 以上并确认 .index 选对了。显存富余的话batch_size 按显存 GB 数除以 2往上加是 webui.py 里用的估算逻辑训练提速明显。踩坑速查表现象大概率原因一句话解法启动报依赖缺失或 cuda.is_available() 为 FalseTorch 的 CUDA 版本与驱动不匹配按显卡重选 cu118/cu128 依赖重装训练中途显存 OOMbatch_size 过大或勾了显存缓存调小 batch_size大数据关掉缓存至显存转换出来还像原说话人索引没选或 index_rate 过低确认 .pth 与 .index 配套占比拉到 0.75 以上辅音处电音、撕裂保护参数没生效protect 调到 0.4~0.5 之间注意 0.5 是关闭实时变声爆音或延迟忽大忽小输入输出设备 hostapi 类型不一致两侧选同类型如都 MME进阶切 ASIO从 10 分钟素材到可听感不错的模型RVC-WebUI 把这条链路压到了装依赖、下模型、点按钮的长度。建议下一步先拿 v2 底模跑一遍默认参数验证流程再回头调 index_rate 和 protect 这两个最敏感的旋钮——它们决定了你离目标音色还差多少。更多历史细节可以翻 docs/cn/Changelog_CN.md。【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 9:56:02 · 阅读 1.2k 10分钟音频炼出AI声线：RVC-WebUI 语音音色转换教程
10分钟音频炼出AI声线RVC-WebUI 语音音色转换教程【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-WebUIRetrieval-based-Voice-Conversion-WebUI下称 RVC-WebUI做的事很直接把你手里 10 分钟左右的清晰人声炼成一个能用的语音转换模型再在浏览器里把任何一段音频说成这个人的声音。底模是用约 50 小时开源 VCTK 数据集预训练好的你不需要从零训练只做微调训练、推理、人声分离全部收在一个 Gradio 网页里不碰代码也能跑完整个流程。这套框架能做什么10 分钟低底噪数据即可训出可用模型推荐采样率 40k/48ktop1 检索替换输入源特征为训练集特征从机制上杜绝音色泄漏内置 InterSpeech 2023 的 RMVPE 音高提取比 crepe_full 更快专治哑音实时变声端到端延迟 170ms配合 ASIO 输入输出可压到 90ms集成 UVR5 做伴奏/人声分离AMD/Intel 显卡在 Windows 可走 DirectMLLinux 走 CPU能力说完了下面把环境搭起来。装依赖与启动最短路径环境要求一句话Python 3.12 x64Ubuntu 24.04 x86_64 或 Windows 桌面环境NVIDIA 显卡显存 ≥4GB 体验最佳configs/config.py 里写死了这个下限低于它会自动退回 CPU。第一步克隆仓库git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI第二步建虚拟环境按硬件装依赖python3.12 -m venv .venv source .venv/bin/activate # CPU / AMD / IntelAMD 在 Windows 上可用 DirectML pip install -r requirments_cpu_py312.txtNVIDIA 用户分两种情况RTX 50 系先装 CUDA 12.8 的 Torch 再装requirments_cu128_py312.txtRTX 50 系以前的卡先装 CUDA 11.8 的 Torch 再装requirments_cu118_py312.txt。装完可以验证一下python -c import torch; print(torch.__version__, torch.cuda.is_available())第三步下载预训练模型到assets/用 Hugging Face 的hf download把lj1995/VoiceConversionWebUI仓库里的hubert_base/、rmvpe/rmvpe.pt、pretrained/、pretrained_v2/拉到assets/下只有要用 UVR5 分离人声才需要额外下uvr5_weights/。Windows 用户若系统没有 ffmpeg把ffmpeg.exe、ffprobe.exe放到项目根目录即可。第四步一条命令启动python webui.py默认监听 7865 端口浏览器自动打开无桌面的服务器加--noautoopen参数端口被占时程序会自动顺延到下一个可用端口。提示实时变声是另一个入口python realtime_gui.pyWindows 下双击go-realtime_gui.bat它独立于 WebUI走桌面小窗口参数可以热更新、不用重启。环境通了接下来走一遍最高频的主线备数据、训练、转换。把 10 分钟人声喂给训练器训练页签按 step1 到 step3 排好了操作顺序照着点即可。step1填实验配置填一个实验名logs/下每个实验一个文件夹配置、日志、ckpt 都放里面选目标采样率 40k 或 48k再决定模型是否带音高指导——唱歌场景必须选是纯语音可以选否。版本默认 v2对应assets/pretrained_v2/f0G40k.pth这一代底模。step2a处理数据填入训练文件夹路径点处理数据。train/preprocess.py 会自动遍历所有能解码的音频用能量切片器-42dB 阈值、约 3.7 秒一片、0.3 秒重叠切成短片段并做响度归一化同时做 48Hz 高通滤掉低频轰鸣。你只需要保证素材是单一说话人、低底噪、无背景音乐原曲带伴奏的先丢进伴奏人声分离去混响去回声页签用 UVR5 提一遍干声。step2b特征提取音高用 CPU 提取选 rmvpe 算法Hubert 声学特征用 GPU 提取多卡可以用-分隔填多个卡号并行。step3开始训练关键参数就三个默认值基本能用参数默认值说明save_every_epoch5每 5 个 epoch 存一次 ckpttotal_epoch2010 分钟小数据跑完 20 轮通常就够每张显卡的 batch_size按显存自动估算显存紧就往下调提示数据在 10 分钟以内的小数据勾上缓存所有训练集至显存能明显提速数据量大就别勾收益小还容易炸显存。训练结束后你会拿到三样东西实验目录里的大体积训练 ckpt、assets/weights/里的小体积推理模型.pth、以及用 train/train_index.py 基于 faiss 建好的 .index 索引文件。推理时 .pth 和 .index 要配套选。模型到手跑第一句转换。第一次转换先摸透三个参数模型推理 → 单次推理页签里选模型后拖入音频真正影响听感的是这三个滑块变调整数半音数12 升一个八度-12 降一个八度男女互转基本就是 ±12检索特征占比index_rate默认 0.75控制拿训练集特征替换源特征的比例拉高音色更像目标说话人保护protect默认 0.33保护清辅音和呼吸声、防止电音撕裂拉满 0.5 等于关闭保护音高提取算法选 rmvpe 即可它是默认值也是目前最稳的选择。转完不满意先看批量推理页签填输入文件夹整批音频会输出到opt/目录适合回头一次性验证多个素材。提示同一个输入路径连续推理时程序会缓存已提取的音高反复调参对比不用每次等重新提取。想更懂它为什么这样工作花两分钟看看目录划分。目录怎么分核心模块速览Retrieval-based-Voice-Conversion-WebUI/ ├── webui.py # WebUI 入口五个页签都挂在这 ├── realtime_gui.py # 实时变声独立 GUI ├── infer/ # 推理核心 │ ├── vc/pipeline.py # 转换主流程 │ ├── hubert.py # Hubert 特征提取 │ ├── rmvpe.py # RMVPE 音高提取 │ └── rtrvc.py # 实时推理接口 ├── train/ # 切片、特征提取、训练、索引构建 ├── tools/ # UVR5 分离、CUDA Graph 等工具 ├── configs/ # v1/v2 网络配置文件 └── i18n/ # 12 种语言界面三个设计点值得知道检索式替换推理时先在 faiss 索引里找训练集中最相似的特征top1盖住输入源特征相当于把目标音色的声纹指纹压到源特征上音色泄漏就是这么被掐断的设备自适应精度configs/config.py 按显存和 SM 版本自动决定 fp16/fp32 甚至退回 CPUPascal 和 16 系老卡不会被强推半精度模块化推理链路音高RMVPE、声学特征Hubert、声码器VITS 系各自独立换算法只需换 infer/ 下对应模块理解了结构看看别人拿它做什么。唱歌、直播、批量转换三个真实用法翻唱与 AI 歌手训练时是否带音高指导必须选是推理时变调给 ±12 做男女对调音高用 rmvpe 提取男低音场景 RMVPE 的识别比老算法稳得多。想融合两个人的音色用ckpt处理页签的 ckpt-merge 把两个 .pth 按比例混合即可不必重训。直播与虚拟形象跑realtime_gui.py输入输出设备选同一种类型比如都用 MME追求更低延迟就切 ASIO端到端 90ms 量级。界面里显示的算法延迟/推理时间会实时更新方便你按硬件调 block_time 和 crossfade。批量与进阶调参输出有电音撕裂把 protect 往 0.5 方向调低音色不够像把 index_rate 提到 0.8 以上并确认 .index 选对了。显存富余的话batch_size 按显存 GB 数除以 2往上加是 webui.py 里用的估算逻辑训练提速明显。踩坑速查表现象大概率原因一句话解法启动报依赖缺失或 cuda.is_available() 为 FalseTorch 的 CUDA 版本与驱动不匹配按显卡重选 cu118/cu128 依赖重装训练中途显存 OOMbatch_size 过大或勾了显存缓存调小 batch_size大数据关掉缓存至显存转换出来还像原说话人索引没选或 index_rate 过低确认 .pth 与 .index 配套占比拉到 0.75 以上辅音处电音、撕裂保护参数没生效protect 调到 0.4~0.5 之间注意 0.5 是关闭实时变声爆音或延迟忽大忽小输入输出设备 hostapi 类型不一致两侧选同类型如都 MME进阶切 ASIO从 10 分钟素材到可听感不错的模型RVC-WebUI 把这条链路压到了装依赖、下模型、点按钮的长度。建议下一步先拿 v2 底模跑一遍默认参数验证流程再回头调 index_rate 和 protect 这两个最敏感的旋钮——它们决定了你离目标音色还差多少。更多历史细节可以翻 docs/cn/Changelog_CN.md。【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