如何3步上手Retrieval-based-Voice-Conversion-WebUI：用不超过10分钟的录音训练出可用变声模型-编程实验室

如何3步上手Retrieval-based-Voice-Conversion-WebUI：用不超过10分钟的录音训练出可用变声模型

【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（下称 RVC）是一个基于 VITS 的语音转换（变声）工具，靠"top1 检索替换源特征"来减少音色泄漏，官方推荐用至少 10 分钟低底噪语音即可训出可用模型。跟着本文操作，你可以完成三件事：准备一份最小训练集、在网页界面里跑通"训练 + 推理"全流程、并用推理界面听到第一段换音色后的音频。

先看清楚你会遇到的两个典型现象

第一次接触变声模型的人，通常卡在两个地方。

一是"训练完听不出来像谁"：推理结果既不像目标人物，也丢了你自己录的声音特征，音色变得含糊。这多半是训练数据太少或太脏，模型没有抓住目标音色的稳定特征。二是"换了音色却漏了源音色"：结果里残留了输入音频说话人的味道，社区把这种现象叫"音色泄漏"。RVC 的检索机制就是冲着第二个问题来的，第一个问题则主要靠数据质量解决——所以准备数据是整个流程里最值得花时间的一步。

最小数据准备：时长、底噪与切分

官方文档给出的训练集建议是 10 分钟到 50 分钟；如果音质高、底噪低且音色有个人特色，5 到 10 分钟也能出效果；1 到 2 分钟的成功案例存在，但要求音色特征非常鲜明，不具备普适参考价值，1 分钟以下不建议尝试（见 docs/cn/faq.md）。

数据准备上注意三点：

低底噪优先：录音环境安静、无背景音乐和电流声。底噪大的数据训出来音质上限很低。
音色统一：同一个声音来源，别把直播混响、清唱、朗读混在一起。
单条音频别太长：过长的音频文件在预处理阶段容易吃掉内存，切成几段存放更稳妥。

如果你手里只有完整歌曲，可以先用 WebUI 里的 UVR5 选项卡分离出纯人声，再进入训练流程。

环境准备与首次启动

需要 Python 3.8 以上。安装依赖按你的显卡选一份清单：N 卡用 requirements.txt，Windows 上的 A 卡/I 卡用 requirements-dml.txt，Linux 上 ROCm 用 requirements-amd.txt，IPEX 用 requirements-ipex.txt。N 卡的标准流程大致是：

pip install torch torchvision torchaudio pip install -r requirements.txt

依赖之外还有几样必备物料，缺失时启动会直接失败：

预训练底模：assets/hubert/、assets/pretrained/（想训 v2 模型还要assets/pretrained_v2/）和assets/uvr5_weights/。仓库提供下载脚本 tools/download_models.py，也可以直接跑tools/dlmodels.sh（Windows 用tools/dlmodels.bat）。
ffmpeg：Windows 用户把 ffmpeg.exe、ffprobe.exe 放到项目根目录即可。
rmvpe.pt：使用 RMVPE 音高提取算法时要放到根目录。

全部就绪后启动网页界面：

python infer-web.py

启动脚本会自动检测设备并初始化配置，逻辑在 configs/config.py 里：显存小于 4G 时自动调小预处理参数，老架构显卡（1060、1080、P40 等）会自动切到 fp32，省得你手动改配置。浏览器打开本地 7865 端口就是操作界面。

从训练到听到结果：走通一遍最小流程

在网页界面里，一次完整任务分四步。

第一步，切分与预处理。把训练集音频放进实验目录，点"一键训练"会自动完成：切分音频、提取音高、提取特征、训练模型、训练索引。切分参数（如每段时长、静音阈值）在 configs/v1/48k.json 这类配置里，默认值对普通录音可用。

第二步，训练模型。训练脚本的入口在 infer/modules/train/train.py。关键参数是总轮数 total_epoch：如果训练集音质差、底噪大，20 到 30 轮就够；音质高、底噪低、时长充足时，官方说 200 轮也没问题。

第三步，训练索引。模型和索引是两样东西：模型负责"像不像目标音色"，索引负责"推理时从训练集里借特征防泄漏"。一键流程末尾会自动生成added_开头的索引文件；如果卡住没生成，单独点一次"训练索引"即可。

第四步，推理听结果。选模型 pth 和索引文件，输入一段音频，调整音高和 index rate，点推理。常见音高提取算法各有所长：

算法	适用场景
RMVPE	官方推荐，效果好、资源占用低，需额外下载 rmvpe.pt
PM	输入是歌声时提速明显
Harvest	低音效果好，但速度慢
CREPE	效果好，但 GPU 占用高

实时变声则用 tools/rvc_for_realtime.py（对应 go-realtime-gui.bat）：官方数据是端到端 170ms 延迟，配合 ASIO 设备可到 90ms，具体取决于硬件驱动。

它为什么好用：top1检索与index rate

RVC 的命名就来自核心机制——检索。用白话说：推理时系统会去你的训练集特征库里找最接近当前输入的那条特征，把它"借"来替换源特征。类比一下，就像配音演员换嗓子前先把原唱的录音多听几遍，照着原声的音色条件去配，而不是凭自己习惯的音色去"演"原唱。这样就能从根源上压住源音色往结果里漏。

控制这个机制力度的是index rate（检索特征占比）：

调到 1：理论上完全用训练集特征，不泄漏源音色，但音质会偏向训练集——训练集比输入音质量差时，音质会被拉低。
调到 0：完全不用检索，音质跟着输入走，但失去了保护训练集音色的能力。
中间值：在"像目标"和"好听"之间取平衡，具体效果以试听为准。

顺带一提：如果训练集本身音质高、时长长，把 total_epoch 调高之后，模型自身就不太会往底模或输入源靠，此时 index rate 和索引文件的重要性都会下降，分享模型时甚至可以不附索引。

最小可运行验证：命令行级别

不想用网页界面时，可以走 CLI。先跑通一次 WebUI 流程，控制台会打印出预处理和训练所用的完整命令行，直接照抄复现即可。推理侧官方给了一个参考脚本 myinfer.py，参数含义见 docs/cn/faq.md 的 Q7 条目；仓库里 tools/infer_cli.py 也提供了命令行推理的入口。验证成功的标志很简单：输入一段自己 1 分钟的录音，几秒后输出一条音色明显改变、但咬字和节奏与输入一致的音频。

常见坑位与对策

现象：ffmpeg error 或 utf8 error。原因：大概率不是 ffmpeg 本身的问题，而是音频路径带空格、括号等符号，或训练集路径含中文导致写 filelist.txt 时报 utf8 错误。处理：把音频挪到纯英文、无空格的路径下重试。

现象：训练时报 Cuda out of memory。原因：显存不够，常见于 4G 以下显存的显卡（1060 3G 这类基本放弃，4G 还能救）。处理：训练阶段把 batch size 往下调；推理阶段调小 configs/config.py 末尾的 x_pad、x_query、x_center、x_max 四个参数。启动时脚本也会自动根据显存大小做一轮降级。

现象：训练结束没有added_开头的索引文件。原因：训练集太大，添加索引那一步卡住；另外若提示 "Training is done"，说明模型已训好，紧邻的报错是假报错。处理：单独再点一次"训练索引"，仓库已用批量 add 索引的方式缓解内存压力。