RVC变声器完整教程：10分钟语音数据，三步练出你的AI音色-平芜编程栈

RVC变声器完整教程：10分钟语音数据，三步练出你的AI音色

【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（RVC）是一个基于 VITS 架构的变声框架，核心卖点是数据量小：README 给出的建议是至少收集 10 分钟低底噪语音就能得到可用的音色模型。这篇教程不按"安装—训练—推理"的流水账写，而是给你一条可以直接跑通的主线——从环境检查、训练出第一个 .pth 模型，到调出像样的推理效果——排障内容全部收敛成一张速查表。仓库是只读的，文中所有路径都可以直接点开对照。

RVC 环境配置：三个检查点

RVC 的环境问题 90% 出在三件事上：Python 版本、FFmpeg、预训练权重。逐项确认比事后排错快得多。

1. Python 版本

python --version

选 3.8–3.10 的稳定版。不要用 3.11+：依赖中的 llvmlite 0.39.0 在更高版本上会直接装不上（官方 README 明确写了这一点）。如果是用 Poetry 管理依赖，3.7–3.10 都是可接受区间。

2. FFmpeg

ffmpeg -version

训练和推理的音频切分、转码都靠它，没有它整个流程跑不起来。Linux 用apt install ffmpeg，macOS 用brew install ffmpeg；Windows 最省事的办法是把 ffmpeg.exe / ffprobe.exe 直接放到项目根目录。

3. 预训练文件

RVC 自带模型不够用，需要补四类文件：assets/hubert/hubert_base.pt（声码器前端特征提取）、assets/pretrained/（v1 底模）、assets/uvr5_weights/（UVR5 人声分离模型）、根目录的rmvpe.pt（RMVPE 音高提取权重）。v2 模型再额外下assets/pretrained_v2/。仓库里已经提供了下载脚本，见 tools/download_models.py，不用手动拷文件。

三条都通过后再启动，避免"装到一半发现缺东西"：

python infer-web.py

Windows 整合包用户双击go-web.bat即可，效果等同。

RVC 训练主线：从原始音频到 .pth 模型

这一节是唯一需要你"动手"的部分，分四步：切数据 → 提特征 → 训练 → 核对产物。

第一步：切数据。音频切成 5–10 秒的片段，单文件太长容易拖慢训练、太短又学不到完整音色特征。总量上，10 分钟是能用的下限，10–50 分钟是舒适区，几小时的低质音频不如 15 分钟的干净录音。采样率统一 48kHz——训练时选 32k/40k/48k 只影响音质上限和文件大小，混着不同采样率训练则会明显翻车，所以"统一 48k"是硬建议。人声和伴奏混在一起的素材，先走 UVR5 分离出纯人声再切。

第二步：提特征。WebUI 里选音高提取算法，直接选 RMVPE：它是 Interspeech 2023 的方案，效果显著好于其他选项，且比 crepe 更快、更省资源，还能根绝哑音。这步不用纠结。

第三步：训练参数。两个关键旋钮和显存强相关：

batch_size：显存大就开大（4–8），训练更稳、更快；4GB 显存压到 1–2。用nvidia-smi查占用，能再大 1 就再大 1。
epoch：数据质量高给 100–200 轮，数据一般 20–30 轮就停。轮数不是越多越好，过拟合的模型会"塑料感"加重。

学习率保持默认即可，手动调大只会让训练不稳。

第四步：核对产物。训练完成后看两个地方：

logs/实验名/下应有G_{epoch}.pth和D_{epoch}.pth（生成器和判别器各存一份）；
weights/下应出现约 60–100MB 的 .pth 模型文件，这就是后面推理要用的主模型。

低显存用户的额外提示：configs/config.py 会根据显存大小自动选择x_pad / x_query / x_center / x_max一组更小的缓存参数（6G 显存、5G 显存、4G 以下各一套预设）。如果训练中途仍报 CUDA out of memory，把这四个值再手动调小一档即可，不必放弃训练。

RVC 索引训练与推理参数怎么调

模型训完先别急着推理，还差一步：训练 faiss 索引。faiss 在这里的作用是把训练集的音色特征建成可检索的库，推理时用 top1 检索替换源声特征——这正是 RVC 名字里 "Retrieval-based" 的来源，也是它杜绝音色泄漏（输出里混入原说话人音色）的机制。在 WebUI 索引页点训练，等进度到 100%，产物落在assets/indices/，扩展名 .index。

推理时有三个参数真正影响听感，其余保持默认：

参数	建议值	作用
Index Rate	0.6–0.8	检索特征的混合比例：0 完全不检索，1 全量替换。越高越彻底消除源音色，但过高会损失自然度；0.6–0.8 是音色和音质的平衡点
Protect	默认 0.5	保护输入中接近非人声频率的成分，防破音。出现尖锐破音时往下调，出现嗡嗡声时往上调
f0_up_key	0	变调半音数，±12 为一个八度。男转女通常 +8 到 +12，按素材试

代码里的实现可以直接对照：infer/modules/vc/pipeline.py 中f0 *= pow(2, f0_up_key / 12)就是半音换算，索引混合则是index_rate * 检索特征 + (1 - index_rate) * 原始特征的线性插值——理解了这个公式，调参就不会是玄学。

采样率务必与训练时一致；音调变换不确定时选自动，先跑通再细调。

RVC 报错速查表

训练和推理阶段的常见报错，按关键词对号入座：

报错关键词	原因	处理
`CUDA out of memory`	显存不够	batch_size 减半；再降 config.py 的 x_pad/x_query 四参数
`llvmlite.dll`缺失	缺 VC++ 运行库	安装 Visual C++ Redistributable，`pip install llvmlite --no-cache-dir`重装
`Expecting value`/ JSON 解析失败	configs/ 下 json 被代理污染或损坏	关系统代理，检查 configs/ 各 json 是否合法，不行就恢复默认
浏览器连不上 7860	端口被占或终端已关	保持命令行窗口开着；`netstat -ano \\| findstr :7860`查占用后换端口
weights 里没有 .pth	训练没跑完	回训练页确认日志出现收尾提示，检查 logs/ 下 G/D 文件是否齐全

通用原则两条：全程用英文路径、不要中文文件名；configs/ 目录改动前留个备份。

进阶：模型融合与实时变声 🎧

两项值得在第一个模型跑通后做的事：

ckpt 融合。在 WebUI 的 ckpt 处理选项卡里做 ckpt-merge，把两个模型按权重混合（常见 0.5:0.5 起步），用来微调音色偏置。融合完记得用不同风格的音频各测一段，和融合前对比后再定最终比例。

实时变声。跑go-realtime-gui.bat打开实时界面。官方数据：普通声卡端到端延迟 170ms，换 ASIO 驱动的声卡可压到 90ms——延迟对硬件驱动依赖很大，声卡驱动比参数更值得折腾。

上手清单：现在就可以做的三件事

按"环境配置"一节跑完三个检查命令，缺权重就执行 tools/download_models.py，然后python infer-web.py把界面开起来。
拿 15 分钟左右的干净录音走完训练主线：切 5–10 秒片段 → 48kHz → RMVPE → batch_size 按显存放 → 100–200 轮，重点盯weights/里是否产出 .pth。
训完立刻生成索引，推理时从 Index Rate 0.7 起步微调，破音再动 Protect。

更多细节可以查仓库自带的文档：docs/cn/faq.md（中文问答）、docs/en/training_tips_en.md（训练技巧英文版）、推理核心代码在 infer/lib/。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考