Retrieval-based-Voice-Conversion-WebUI 快速上手：10 分钟语音数据做出自己的语音转换模型-酒店常州论坛

Retrieval-based-Voice-Conversion-WebUI 快速上手：10 分钟语音数据做出自己的语音转换模型

【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

Retrieval-based-Voice-Conversion-WebUI（下文简称 RVC）是一个开源的语音音色转换框架：你只需准备 10 分钟左右的干净人声，就能训练出一个属于自己或某个角色的语音转换模型，用来做离线音频转换，也可以接麦克风做实时变声。本文按 Windows 和 Ubuntu 的环境，带你走完装环境、启动界面、第一次训练、推理调参到常见报错处理的完整流程。

🧩 装环境：三步跑通

装 Python 3.12 并建虚拟环境

先确认装好了 Python 3.12 x64（Ubuntu 推荐 24.04 x86_64），然后进入仓库根目录创建虚拟环境：

py -3.12 -m venv .venv .venv\Scripts\activate

Linux 下对应命令是python3.12 -m venv .venv，激活用source .venv/bin/activate。

按硬件选依赖文件

依赖按硬件分成三个文件，各装一次：

硬件	安装方式
CPU / AMD / Intel 显卡	`pip install -r requirments_cpu_py312.txt`
NVIDIA（RTX 50 系以前）	先装 CUDA 11.8 版 torch，再装`requirments_cu118_py312.txt`
NVIDIA RTX 50 系	先装 CUDA 12.8 版 torch，再装`requirments_cu128_py312.txt`

注意：NVIDIA 用户一定要先单独装好对应 CUDA 版本的 torch，再执行 requirments 文件，否则 pip 会装上 CPU 版 torch，训练时才发现报错就来不及了。

把底模下到 assets 目录

WebUI 会自动创建assets/和logs/目录，底模需要提前下载到位：

文件	路径	用途
hubert_base/（含 3 个文件）	`assets/hubert_base/`	语音特征提取，推理也必需
rmvpe.pt	`assets/rmvpe/`	音高提取，必需
pretrained/ 与 pretrained_v2/	`assets/`	底模，仅训练需要
uvr5_weights/	`assets/uvr5_weights/`	人声伴奏分离，用到 UVR5 才需要

装好huggingface_hub后，从模型仓库lj1995/VoiceConversionWebUI拉取必需的两部分：

hf download lj1995/VoiceConversionWebUI --revision main --include "hubert_base/*" --local-dir assets hf download lj1995/VoiceConversionWebUI rmvpe.pt --revision main --local-dir assets/rmvpe

训练时再用同样方式补下pretrained/*和pretrained_v2/*。

▶️ 启动界面：一条命令的事

启动命令与默认端口

在仓库根目录执行：

python webui.py

浏览器会自动打开，没弹出来就手动访问http://127.0.0.1:7865（默认端口 7865）。Windows 用户也可以直接双击根目录的go-webui.bat，它会顺带让你选择要执行的操作。无桌面的服务器上加--noautoopen启动即可。

提示：页面报 "Connection Error" 多数时候是你把黑色的启动控制台关掉了，重新打开并保持控制台开着就好。

各选项卡里有什么

主界面分四个选项卡：数据集处理负责降噪、切片和特征提取；模型训练负责一键训练与索引训练；音色转换推理负责把音频换成目标音色；ckpt 处理负责模型融合和从小模型提取。实时变声是另一个独立程序：双击go-realtime_gui.bat启动，端到端延迟 170ms，配合 ASIO 声卡可压到 90ms。

🎛️ 第一次训练：只动 4 个参数

准备 10 分钟人声素材

把训练用的音频放进同一个文件夹，满足这几点：

时长：推荐 10~50 分钟；音质高、音色统一时 5~10 分钟也够用
内容：只有目标说话人一个声源，底噪低、无背景音乐
文件名与路径：不含空格、括号和中文，避免 ffmpeg 报错

训练必改的 4 个参数

打开「模型训练」选项卡，其余全部默认，只填下面这几项：

参数	建议值	说明
实验名	有意义的英文名	训练产物都存在`logs/实验名/`下
是否考虑音高	唱歌场景选「是」	不考虑音高模型更轻，但没法用于演唱
batch_size	按显存定，4~16	报 out of memory 就减半；4G 显存建议 1~4
total_epoch	底噪大 20~30；音质高可到 200	低音质数据调太高没有收益

然后点「一键训练」。它会自动完成音频切片、RMVPE 音高提取、HuBERT 特征提取、模型训练整条流水线。

别漏掉：训练完索引

一键训练正常结束时会顺带生成added_xxx.index索引文件；如果日志显示缺了索引，就再单独点一次「训练索引」。这个索引就是 RVC「检索式」的核心——推理时用 faiss 检索出训练集里最相似的特征替换输入源特征，从机制上杜绝音色泄漏。更多训练细节可以看 docs/en/training_tips_en.md。

推理调参：pitch 和 index_rate 怎么设

常用推理参数速查

参数	范围	说明
pitch	-24 ~ 24	半音为单位，12 是一个八度；男声转女声往高调，反之往低调
index_rate	0 ~ 1	越大越压制音色泄漏，但音质会向训练集靠拢；训练集音质一般就 0.5 左右
f0 方法	rmvpe	速度快、资源占用小，且解决了哑音问题

判断有没有音色泄漏

音色泄漏的表现是：转换后的声音还残留你自己说话的音色。先听出来再说——把 index_rate 从 0 提到 0.5~1.0 再推一遍，如果明显干净了就是泄漏问题。反过来，如果你的训练集音质高、时长足，模型本身学得很牢，index_rate 开 0 也不会泄漏，此时不必纠结这个参数。

常见报错速查表

训练阶段

报错	原因	处理
ffmpeg error / utf8 error	路径含空格、括号或中文	目录和文件名全部改纯英文
Cuda out of memory	显存不足	减小 batch_size；4G 以下显存基本放弃训练
文件页面 / 内存 error	开的进程太多、内存溢出	调低「提取音高和处理数据使用的 CPU 进程数」
训练完没有索引	大训练集卡住了索引步骤	再点一次「训练索引」

启动与推理阶段

报错	原因	处理
Expecting value: line 1 column 1	开了系统全局代理	关闭代理，服务端代理也要关
Connection Error	关了启动控制台	重新打开并保持控制台运行
llvmlite.dll 加载失败（Windows）	缺 VC++ 运行库	安装 Microsoft VC++ 2015-2022 运行库后重启

更完整的问答整理在 docs/cn/faq.md，照着 Q&A 逐条对号入座很快。

训练完的模型：存放与分享

模型文件放哪里

日常使用的模型.pth放进assets/weights/，对应的.index放进assets/indices/，再到推理页点「刷新音色」就能选到。

模型怎么分享

分享时用weights/下 60MB+ 的 pth 和对应 index 文件打包成 zip 发出即可。

注意：logs/实验名/下的 pth 有几百 MB，它存的是实验状态，用于断点续训而不是分享。如果你手里只有 logs 里的大 pth，先用「ckpt 处理」选项卡做 ckpt 小模型提取，再分享提取出的文件。

接下来做什么

按「装环境」三步装好依赖和底模，执行python webui.py确认界面能打开；
准备 10 分钟单说话人低底噪音频，用默认参数跑一次「一键训练」，生成模型和索引；
在推理页加载自己的模型，先按 index_rate 0 和 1 各推一遍同一句音频，对比后选定常用参数。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析