企业官网建设流程全解析

RVC-WebUI 语音转换指南：用少量人声数据训练专属音色的完整步骤

【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（通常简称 RVC-WebUI）是一个开源的 AI 语音转换工具。你准备一段低底噪的人声样本，在普通显卡上训练后即可把自己的声音转换成目标音色。基于 VITS 框架，它同时支持离线转换与实时变声，本文按"从零到第一个可用模型"的顺序讲清完整流程。

快速了解项目：RVC-WebUI 能解决什么问题

这个项目把"训练一个人声音色模型"拆成了网页界面上的几个按钮，核心解决三件事：

• 训练专属音色：上传一段人声样本，产出可用于转换的模型文件
• 转换任意音频：用自己的声音"唱"或"说"一段新的内容，输出目标音色
• 实时变声：通过实时界面（go-realtime-gui.bat或gui_v1.py）边说边转换

三个技术点值得知道一句通俗解释：

1. 检索防音色泄漏：推理时用 top1 检索把输入特征替换为训练集特征，避免你原本的音色混进结果里
2. RMVPE 音高提取：InterSpeech2023 的音高提取算法，作用是准确识别声音的高低起伏，解决哑音问题
3. UVR5 人声分离：把歌曲里的人声和伴奏拆开，为转换提供干净输入

底模使用约 50 小时的开源 VCTK 数据集训练，无版权顾虑；项目采用 MIT 协议，支持 Windows、Linux、MacOS，NVIDIA 显卡之外也提供 AMD、Intel 显卡的加速方案。

适合哪些人使用：先判断你是否需要它

最简上手路径：RVC-WebUI 环境配置四步

第一步：确认 Python 版本并安装依赖

要求 Python 大于 3.8。根据你的显卡选择对应的依赖文件：

pip install -r requirements.txt

AMD/Intel 显卡（DirectML 方案）使用requirements-dml.txt；Linux 下的 AMD ROCm 与 Intel IPEX 方案分别对应requirements-amd.txt和requirements-ipex.txt。MacOS 用户也可以直接运行sh ./run.sh安装依赖。

第二步：安装 ffmpeg

音频处理依赖 ffmpeg，系统没有的话先装上：

sudo apt install ffmpeg

Windows 用户可把 ffmpeg.exe、ffprobe.exe 放到项目根目录。

第三步：下载预训练模型

推理和训练都需要 Hubert 特征模型、预训练底模、UVR5 权重等文件（位于assets/目录）。tools文件夹中带有下载脚本：

python tools/download_models.py

第四步：启动 WebUI

python infer-web.py

启动成功后浏览器会自动打开操作界面。Windows 用户如果使用整合包，也可以直接双击go-web.bat。

常见任务实操：从上传数据到完成一次转换

如何训练一个音色模型

1. 准备人声样本：官方常见问题推荐 10 到 50 分钟，要求底噪低、音色统一；样本精简且特色明显时，10 分钟上下也可以出可用效果
2. 在 WebUI 的数据集选项卡中上传音频，填入实验名
3. 点击一键训练，依次完成音频预处理、特征提取、音高提取、模型训练、索引建立
4. 看到 "Training is done" 提示即代表训练成功

如何完成一次离线语音转换

在推理选项卡选择刚训练的模型和索引文件，填入变调数值（男转女一般需要正变调，反之取负值），上传待转换音频后点击推理，导出结果即可。

如何分离人声和伴奏

在 UVR5 人声分离选项卡选择分离模型（含去混响、去延迟等），上传音频执行分离，输出的纯人声可以直接作为转换输入。

如何批量转换多个文件

不想一条条手动操作时，使用tools/infer_batch_rvc.py批量脚本处理整个文件夹。

配置与避坑：新手最常遇到的 5 个问题

• 报 ffmpeg error，其实是路径问题：音频路径中带空格、括号或中文时容易触发。把训练集放在纯英文、无空格的路径下再试
• 显存不够（CUDA out of memory）：训练时调小 batch size；推理时减小configs/config.py末尾的 x_pad、x_query 等参数
• 训练完没有索引文件：通常是训练集较大导致索引步骤卡住，重新点击"训练索引"按钮即可
• 训练后推理列表找不到音色：先点刷新音色；仍没有则检查控制台和logs/实验名下的日志
• 不要分享 logs 里的 pth 文件：logs/实验名下的几百 MB 大文件是训练状态存档，用于分享的应是weights文件夹中 60MB 左右的模型文件

进阶用法：调优参数与模型融合

调整 total_epoch（训练轮数）：底噪大的训练集 20~30 轮足够，调太高救不了低音质数据；高音质、时长充足的训练集可以放到 200 轮左右。

理解 index rate（索引权重）：它用来压制音色泄漏。调高更贴近训练集音色，但音质受训练集上限影响；训练集本身质量高时该参数影响变小。

模型融合：在 ckpt 处理选项卡中使用 ckpt-merge，把两个音色模型按权重混合，可以得到介于两者之间的新音色。

实时变声：通过go-realtime-gui.bat启动实时界面，官方已实现端到端约 170ms 延迟；使用 ASIO 输入输出设备时可进一步降低到 90ms 左右，效果依赖硬件驱动。注意输入和输出设备应选同种类型。

ONNX 导出：tools/export_onnx.py支持把模型导出为 ONNX 格式，供外部推理场景使用。

常见问题：RVC-WebUI 训练与推理 FAQ

没有 NVIDIA 显卡能训练吗？AMD、Intel 显卡通过 DirectML 依赖可完成推理与实时变声，训练会切换到 CPU 进行，速度较慢但可用。

1 分钟的数据能训练吗？官方 FAQ 明确不建议。个别成功案例依赖非常鲜明且有辨识度的音色，不具备普适参考价值，10 分钟以下基本不可行。

推理时选哪块 GPU？在configs/config.py的 device 项修改cuda:后的卡号；卡号与实际显卡的对应关系可以在训练选项卡的显卡信息栏查看。

中断了训练能继续吗？目前的方式是关闭控制台后重新双击启动脚本，网页参数需要重新填写，训练会从最近的存档点继续。

WebUI 弹出 Expecting value 报错？检查并关闭系统局域网代理或全局代理，服务端代理（如 http_proxy 环境变量）同样需要临时关闭。

下一步建议：按这个顺序深入

1. 先用 WebUI 完整跑通一次"数据集 → 一键训练 → 推理"，熟悉每个选项卡的作用
2. 精读 docs/cn/faq.md，里面按编号整理了训练和推理的典型问题
3. 换两份不同的训练数据对比训练效果，体会数据质量对结果的直接影响
4. 需要脚本化时再看 tools/ 下的infer_cli.py、infer_batch_rvc.py等命令行工具
5. 关注 docs/cn/Changelog_CN.md 了解各版本的参数与功能变化

训练出第一个模型只是起点。数据质量和参数调整的空间还很大，建议保留每次训练的参数记录，方便回溯哪个组合效果最好。

【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