RVC AI语音克隆与变声器：10分钟人声数据训练可用音色模型的完整实操-编程实验室

RVC AI语音克隆与变声器：10分钟人声数据训练可用音色模型的完整实操

【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

RVC（检索式语音转换 WebUI）是基于 VITS 的 AI 语音克隆与变声器，十几分钟干净人声即可快速训练语音模型，支持网页端单次、批量推理和实时变声，适合做声音创作、直播变声、AI 歌手的用户。

这个工具适合做什么

RVC 把"检索特征替换 + VITS 声码器"这套流程装进了一个网页界面：训练、推理、UVR5 人声分离、ckpt 处理都在同一页面完成，不用自己拼命令行。底模由约 50 小时的开源 VCTK 语料训练而来，版权上没有顾虑，可以放心使用。常见的用途有四类：

克隆特定人声做配音或翻唱，10 分钟语音克隆级别的数据量就能出可用音色
直播、连麦、游戏开黑场景的实时变声，README 标注普通设备端到端延迟约 170ms，ASIO 设备可压到约 90ms
给歌曲做音色替换：清唱、带伴奏的人声都能处理，UVR5 选项卡可以先把人声和伴奏拆开
批量处理已有录音，选一个文件夹，批量推理一次跑完

从 0 到听到第一句变声

把代码拉到本地，N 卡装requirements.txt即可，A 卡和 Intel 平台分别对应requirements-dml.txt与requirements-ipex.txt：

git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI pip install -r requirements.txt

RVC 还需要一批预训练模型（HuBERT 特征提取器、预训练 G/D 权重等），tools/ 目录里的dlmodels.sh和download_models.py可以帮你把它们下全。启动 WebUI：

python infer-web.py --port 7865

浏览器打开后能看到模型推理、训练、ckpt 处理几个分区。把目标人声素材放进一个文件夹，推荐 10 到 50 分钟、底噪低的录音，路径尽量避开中文和括号。训练页填好实验名、采样率和音高提取算法，点一键训练，它会依次完成切片重采样、音高提取、特征提取、模型训练和索引训练，中间产物落在logs/实验名下。训练完回到推理页点"刷新音色列表和索引路径"，选中音色和对应的 index 文件，填入待转换音频的路径点转换，输出直接在页面里试听。想实时变声是另一条入口：

python gui_v1.py

它背后是 tools/rvc_for_realtime.py 实现的低延迟链路，麦克风输入直接出转换后的声音。

按素材选参数

推理页真正影响听感的参数不多，核心是 F0 提取算法、index rate（检索特征占比）和 protect 三个，怎么选取决于输入素材长什么样：

清唱人声：音高曲线干净，F0 用默认的 rmvpe 就够；index rate 可以往 1 靠，让输出更贴近训练集音色，压制推理源的"音色泄漏"
带背景音的音频：先用 UVR5 分出人声再推理；如果伴奏残留或底噪明显，把 index rate 压回 0.5~0.7，同时适当调高 protect，保住清辅音和呼吸声不被"电音化"
说话声：rmvpe 效果最稳；追求速度可以换 pm；低音区多的素材 harvest 识别更准，但明显更慢

采样率决定模型大小和音质上限：32k 模型最小、实时变声首选，但只有 v2 底模支持这一档；40k 是 v1 的默认档位，速度和质量均衡；48k 音质上限最高，模型和训练耗时都更大。注意换采样率不能接着旧实验练，要新建实验名从头训；把上一轮logs里的 0/1/2/2b 特征文件夹拷过去，可以省掉重新提取的时间。

常见坑自查清单

这几条都是中文 FAQ 里的高频问题，按报错倒推原因：

音频读不进来，报 ffmpeg error 或 utf8 error大概率不是 ffmpeg 坏了，是路径里带了空格、括号或中文。把素材挪到纯英文短路径下重试。

启动时 llvmlite.dll 加载失败Windows 缺 VC++ 运行库导致，装好微软官方的运行库后重启 WebUI。

页面弹 Expecting value: line 1 column 1系统开着局域网或全局代理（服务端配的 http_proxy 也算），关掉代理再刷新。

浏览器一直 Connection Error控制台黑窗口被关掉了，服务随窗口一起退出，重新启动入口脚本即可。

训练报 CUDA out of memory显存不够：训练就降 batch size，4G 以下显存基本无解，4G 还有救；推理阶段则调小 configs/config.py 末尾的 x_pad、x_query、x_center、x_max 四个参数。

训练报 tensor size 不匹配wavs16k里混进了异常短的音频，找出明显偏小的文件删掉重训；也可能是中途换了采样率，这种只能换实验名重新训。

从能用到好用

数据质量优先于数量：底噪大的素材把 total_epoch 压到 20~30 就够，硬堆轮次只会放大噪声；只有干净素材才配把 epoch 拉高去换细节
显存决定 batch size：WebUI 会按显存自动给默认值（约显存容量的一半），低显存卡手动降 batch 比调任何超参都直接
混合精度在 N 卡上默认开启，老架构显卡代码会自动降级到 fp32 并缩小特征缓存参数，基本不用手动干预

把模型交给别人直接用

logs/实验名里那几百 MB 的G_xxx.pth不是用来分享的，它保存的是训练状态，给别人直接推理会因缺 key 报错。真正的分享产物是 weights 目录下 60MB 左右的精简 pth——ckpt 处理页的"小模型提取"功能可以从 G 文件生成它——再加上对应的added_IVF*.index检索库，两个文件一起打包成 zip 发出去最稳妥。对方解压到 weights 和 assets/indices 下就能直接推理，无需重训。