企业官网建设流程全解析

RVC WebUI 快速入门指南：10 分钟语音免费训练专属 AI 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

凌晨一点，播客尾声音色还是原唱的样子，你只想换个声音收工——但每次变声都要重录。Retrieval-based Voice Conversion WebUI（下称 RVC WebUI）就是干这个的开源 AI 变声工具：录 10-20 分钟干净人声就能训出一个音色模型，推理延迟约 90-200 毫秒，代码和预训练权重全免费。

跑通之后你能拿到什么

• 得到一个.pth音色模型文件，加一个.index音色指纹文件，两个文件就是"那个人的声音"
• 把麦克风接到实时换声链路，边说边换，直播、K 歌随时切声线
• 一个文件夹的音频批量处理，全部替换成目标音色
• 两个音色模型融合出一个谁都不像的合成声线
• 全程零费用，仓库代码、中文 FAQ、预训练权重开箱即用

从零到第一次跑起来

1. 装环境

克隆仓库，装依赖，确认 FFmpeg 在系统 PATH 里（它负责音频读写）：

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

pip install -r requirements.txt

NVIDIA 显卡用requirements.txt，AMD/Intel 核显用户换requirements-dml.txt。预训练权重放在assets/pretrained/和assets/pretrained_v2/，配置文件在configs/，不用自己找资源。

2. 启动 WebUI

python infer-web.py

浏览器打开http://localhost:7897（Windows 用户双击go-web.bat即可；--port参数可改端口，默认值 7865 在configs/config.py里）。界面上有推理、训练、UVR5 几个选项卡，中文可选。

3. 首次训练

进训练选项卡，上传录好的干净人声（10-20 分钟、底噪低、音色统一，宁短勿杂），选模型版本（v1 或 v2）和采样率，按"切片 → 训练 → 训练索引"顺序执行。训练参数走configs/v1/40k.json这套默认值：batch_size: 4、epochs: 20000，显存吃紧再调小 batch。跑完后去logs/目录找.pth模型和.index文件。

4. 确认输出

切到推理选项卡，加载刚训的.pth和.index，喂一段 30 秒参考音频，音高偏移填 0，点转换。logs/infer/下生成结果文件——和参考音频放一起听，音高跟得上、音色像目标，就算跑通了。

参数速查表

index_rate是最该动手试的旋钮：推理时目标音色特征按它加权混回原始特征（infer/modules/vc/pipeline.py里就是index_rate * 检索特征 + (1 - index_rate) * 原特征）。调太高声音发闷失真，调太低像度不够，0.5-0.8 来回试几次就有手感。

老方案 vs RVC WebUI

底层差别一句话：传统变声器是拧音高加滤镜，音色轮廓改不动；RVC 是先从训练音频里建好特征库，实时检索最相似片段重新组装声音，所以你的源音色不会被目标音色"污染"，听起来才顺。

翻车的时候

• 症状：训完的声音带电流声或底噪 →原因：训练素材没去噪、多人声混杂 →解法：先在 UVR5 选项卡分离出人声，用干净人声重训。
• 症状：高音破音、音高线乱跳 →原因：pm 或 harvest 在弱信号下失准 →解法：换 rmvpe 提取，多数当场解决。
• 症状：训练时报 CUDA out of memory →原因：batch_size默认 4 对显存要求偏高 →解法：调小 batch_size，或切 CPU 模式慢跑。
• 症状：换声后像度不足，像在念自己的稿 →原因：index 文件没训练，或index_rate停在 0 →解法：补跑"训练索引"，index_rate 设到 0.5 以上再听。

进阶玩法

• 整站批量换声：tools/infer_batch_rvc.py对文件夹里所有音频统一过模型，几十条素材的系列解说一遍过。
• 合成声线：用融合功能把两个.pth模型按比例混成一个谁都不像的新音色，适合做虚拟主播人设。
• 声音时间旅行：拿十年前的旧录音训一个模型，让过去的自己给现在的视频配旁白。

今晚找一段 10 分钟的干净录音，照上面三步跑一遍，第一个属于你的新声音今晚就能出声。

【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