10分钟音频训练一个免费声音克隆模型：RVC WebUI AI变声完整指南

10分钟音频训练一个免费声音克隆模型：RVC WebUI AI变声完整指南

【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-WebUI

你面前有一段三分钟的录音。是你在唱一首歌，但音色不是想要的样子。你希望的是：把这段声音里的"你"，换成另一个人的音色，旋律和咬字保持不变。Retrieval-based Voice Conversion WebUI（简称 RVC WebUI）就是为此设计的开源项目。它先学习目标声音的音色特征，再把这些特征叠加到你的发声上，完成 AI变声。整个过程免费，代码全部开放。

它解决什么，不解决什么

它解决的问题

• 把一段声音的音色，迁移到另一段声音上，音高曲线基本不变
• 用 10 到 20 分钟的目标语音，训练出可用的音色模型
• 支持离线批处理与实时变声两种模式，实时链路延迟在 90 到 200 毫秒量级
• 提供 Web 界面，训练、推理、融合模型都可以通过鼠标完成

它不解决的问题

• 它不改变你的咬字、节奏和演唱技巧。音色可以换，唱法换不了
• 它不生成新的语音内容。输入什么句子，输出还是那个句子
• 它不自动处理脏数据。底噪和串声混在训练音频里，模型质量会直接受损

边界清楚了，剩下的就是动手。

动手前只需要三样东西

一块入门级显卡。RVC 的训练和推理都依赖 GPU 加速。显存不需要很大，但完全不用 GPU 时训练速度会明显变慢，只适合尝鲜。

一套 Python 环境和 FFmpeg。依赖清单在 requirements.txt，NVIDIA 用户直接安装即可；AMD 或 Intel 用户对应使用 requirements-dml.txt。预训练权重放在assets/pretrained/，训练配置在configs/，仓库里已经就绪。

一段干净的目标声音。10 到 20 分钟，单人声，低底噪，音色统一。这是唯一需要你自备的素材，也是决定模型上限的部分。

从克隆仓库到第一次出声

获取代码只需要两行命令：

git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI

然后安装依赖：

pip install -r requirements.txt

启动界面有两条路。Windows 用户双击go-web.bat，其他系统运行：

python gui_v1.py

浏览器打开localhost:7865，面板分为处理、训练、推理几个区域。第一次运行按这个顺序走：先把目标语音切成短片段，再提取音色特征和音高，随后进入训练选项卡，设置轮数开始训练。进度条走完，模型文件就生成在logs/目录。

最后到推理选项卡，选一个你自己的发声作为输入，挂上刚训练的模型和特征索引，点击合成。听到的第一段输出，就是你第一次跑通的声音克隆结果。

两个决定成败的旋钮：音高提取与 index_rate

音高提取：先保证不出错

音色转换有一个前提：音高曲线必须跟对人。如果追踪错了，输出会走音。这就是音高提取算法f0_method的价值。

三种常见选择的取舍是这样的。pm用抛物线插值估计单帧音高，计算量最小，批处理速度快，代价是高频段容易失稳。rmvpe用神经网络做帧级估计，准确度和速度平衡，实时变声的默认选择。crepe估计更精细，但速度慢很多，适合离线出成品。

一句话因果：实时场景要低延迟，选rmvpe；离线追求音质，可以等crepe；跑大文件夹，pm省时。

index_rate：像谁与像你自己的权重

RVC 不是重新生成声音，它从目标音色的索引里检索最相似的特征，再重构输出。index_rate决定检索特征的占比。

数值偏高，目标音色更浓，但你自己的说话纹理被抹掉，听起来容易发闷。数值偏低，音色相似度下降，更接近原来的声音。实时变声常从 0.75 起步，离线精修可以降到 0.5 附近。这不是死数值，它取决于你的输入和目标之间差多远，来回试两三次比背参数有效。

三个真实翻车现场

现场一：输出带糊、像隔了一层玻璃。原因几乎都在训练数据：底噪、混响、别人说话的声音混了进去，模型把杂质也当成音色特征学会了。解法是换一批更干净的素材；人声被伴奏压着时，先用仓库自带的 UVR5 分离，权重在assets/uvr5_weights/。

现场二：高音部分明显跑调、发哑。你大概率用了pm提取音高。它在高频段的估计不稳定，唱到高音就失真。切到rmvpe重新推理，多数情况下立刻改善，不需要重训。

现场三：训练时报 CUDA out of memory。显存不够时，先把 batch_size 调小，其次开启半精度。两者都做了还爆，才考虑 CPU 模式兜底。这个报错不是显卡坏了，是单次加载的数据量超过了显存，降批是第一步而不是换卡。

同一个模型的五种用法

模型训完只是开始。代码全开放，意味着以下玩法都没有文档限制。

1. 接实时变声。运行 tools/rvc_for_realtime.py 起一个实时 GUI，麦克风进、变声后出，直播场景直接可用。
2. 批量处理整个文件夹。tools/infer_batch_rvc.py 一次吃进一个目录，几十条音频统一换音色。
3. 通过 API 调用。api_240604.py 暴露 HTTP 接口，可以把变声嵌进自己的应用或流水线。
4. 融合两个模型。WebUI 里支持对两个已训模型做权重融合，得到一个谁都不像、但两者都有一点的混合声线。
5. 跨场景试错。用唱歌训练的模型去变说话，或者反过来，观察模型在另一种语料上的表现，这能帮你判断素材的适用范围。

下一步你可以做的三件事

1. 录一段 10 分钟的干净目标声音，按上面的流程跑通完整训练。
2. 用同一个输出文件，分别设index_rate为 0.5 和 0.75 各推理一次，把两者的差别听明白。
3. 翻一遍 中文 FAQ，里面按问题归类，参数调不出来时按图索骥。

最后留一个问题给你：你的第一段目标声音，打算从哪个人身上录？

【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