3步上手RVC变声框架：用10分钟语音克隆出你的专属AI歌声-编程实验室

3步上手RVC变声框架：用10分钟语音克隆出你的专属AI歌声

【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（简称 RVC）是一个基于 VITS 的开源语音转换框架，它的核心能力是 AI 语音克隆——只要 10 分钟低底噪的录音，就能训练出可实时变声、可替换他人音色的声音模型。适合想快速体验 AI 变声的创作者、配音爱好者，以及不想折腾命令行的新手。

🧭 一图看懂 RVC 能做什么

先花 30 秒建立全局印象，下表覆盖你最常用的四类操作：

核心功能	帮你解决什么	在哪里操作
模型训练	把几十分钟录音变成一个专属音色模型	WebUI「训练」选项卡
离线推理	把一段音频换成目标音色	WebUI「推理」选项卡
实时变声	说话或唱歌时低延迟换声，端到端可低至 90ms	实时变声界面`gui_v1.py`
人声伴奏分离	调用 UVR5 把歌声和伴奏拆开	WebUI「UVR5」选项卡

它最大的优点是门槛低：即使显卡不算顶级，也能跑得动；数据量小也能出可用结果。

📦 装完就能跑：一条路径备齐环境

环境准备按「系统要求 → 装依赖 → 拿预置资源」三步走，走完整机就可用。

系统要求：Python 3.8 以上，并安装好 ffmpeg（Ubuntu/Debian 用sudo apt install ffmpeg，MacOS 用brew install ffmpeg，Windows 把 ffmpeg.exe 放到项目根目录即可）。

装依赖：按你的显卡选一行，其余照搬官方说明。

你的环境	先装 PyTorch	再装项目依赖
N 卡	`pip install torch torchvision torchaudio`	`pip install -r requirements.txt`
A 卡 / I 卡	同上	`pip install -r requirements-dml.txt`
MacOS	运行`sh ./run.sh`一键装好	同一脚本自动处理

拿到代码只需一条命令，克隆后进入目录即可：

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

拿预置资源：RVC 还需要几个预训练模型才能工作。跑下面这条脚本，它会自动把 Hubert、预训练权重、UVR5、RMVPE 音高模型都下载到assets对应目录：

python tools/download_models.py

💡 提示：下载慢时不必慌。这些文件都能从 Hugging Face 上的官方 space 手动补下，脚本只是替你省去了逐个点对应目录的麻烦。

🚀 第一次运行：先启动，再做一件事

启动方式按平台挑一个：

平台	启动动作	打开地址
Windows	双击`go-web.bat`	自动弹出浏览器
MacOS	`sh ./run.sh`后自动起	自动弹出浏览器
通用	`python infer-web.py`	默认`http://localhost:7860`

界面打开后，先做的一件事是看顶部「显卡信息栏」：它会列出你每张卡的型号和显存，帮你确认 RVC 认出了正确的卡。认对了，后面训练和推理才不会莫名走 CPU。想换推理用的卡号，改configs/config.py里device的cuda:后面数字即可，映射关系就显示在显卡信息栏里。

🎬 按场景上手

场景一：训练一个专属音色模型

你要达成什么：把目标声音的录音变成一个可复用的音色模型。

分步操作：在「训练」选项卡填入训练集音频路径和实验名，点一键训练；流程会自动切分音频、提取音高与特征、训练模型并建立索引。

你会看到什么：控制台打印处理日志，完成后weights文件夹下出现 60MB 以上、可推理的.pth小模型，同时生成added_开头的索引文件。

💡 提示：分享或推理要用weights下那个 60MB+ 的模型，而不是logs里几百 MB 的中间文件。后者的作用只是复现和续训，直接拿去推理会报缺 key 的错。

场景二：把一段音频换成目标音色

你要达成什么：上传一段录音，输出换成目标音色后的版本。

分步操作：在「推理」选项卡选择刚训好的模型和对应索引，填入待转换音频，选定音高提取算法（RMVPE 效果最好），点转换。

你会看到什么：生成一段新的音频文件，可直接试听对比原声。

常见卡点：转换出来「像底模、不太像训练的人」，这多半是音色泄露，把推理时的 index rate 往 1 拉可缓解。

场景三：实时低延迟变声

你要达成什么：对着麦克风说话或唱歌，实时听到换声后的效果。

分步操作：用go-realtime-gui.bat（或gui_v1.py）启动实时变声界面，加载模型，选输入输出设备并点启动。

你会看到什么：说话的同时输出换声后的声音，端到端延迟在普通设备上约 170ms，用 ASIO 输入输出设备可压到 90ms 左右。

常见卡点：输入输出设备类型要一致（例如都选 MME 类），类型混选会出杂音或无声。

🎛️ 调参避坑手册

新手先用默认值，效果不满意再按下表微调。训练相关参数集中在configs/下的 JSON 配置里，推理切分参数在configs/config.py结尾。

参数	新手默认	什么时候调
总轮数 total_epoch	按配置默认（约数万轮）	数据差底噪大调低、数据优质时长多可拉高
batch_size	4	显存不够就往下缩到 1
index rate	0.5 附近	出现音色泄露往 1 拉，音质偏低往回调
x_pad / x_query / x_center / x_max	脚本按显存自动填	推理报显存不足时手动缩小

训练集越长越干净，total_epoch 才有上调空间；数据本身就嘈杂，调太高也带不动音质。
显存吃紧时，训练缩 batch_size、推理缩 x_ 系列参数是两条独立出路，别混着改。

🩺 出了问题先查这里

症状	可能原因	解决动作
ffmpeg error / utf8 error	音频路径带空格、括号或中文	把训练集路径改成无特殊符号的纯英文路径
Cuda out of memory	显存不够	训练缩 batch_size，推理缩小 x_ 参数，4G 以下显卡基本放弃
训练完没看到新音色	索引没建好	点刷新音色，再试一次「训练索引」
WebUI 弹出 Expecting value 报错	系统开了代理	关闭局域网/全局代理再重启
Connection Error	控制台黑窗口被关掉	保持命令行窗口不关闭
llvmlite.dll 报错	缺 VC 运行库	装上 Microsoft VC 运行库再重启 WebUI