10 分钟语音数据，练出专属变声模型：RVC 快速上手指南
【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
RVC（Retrieval-based-Voice-Conversion-WebUI）是一套基于 VITS 的 AI 变声模型训练框架，自带网页界面，用约 10 分钟的语音数据就能训出可用的变声模型，低显存设备也能跑。下面按"先跑通、再自建环境、然后训练、最后排查问题"的顺序，带你走完部署到推理的全过程。
一、最短路径：整合包一键启动
如果你只想尽快用上，先走这条路径，跳过所有手动安装。
- 下载
RVC-beta.7z整合包并解压到任意目录（路径建议不含空格和中文）。 - 按系统启动：
# Windows：在解压目录内双击 go-web.bat # macOS：终端进入解压目录后执行 sh ./run.sh启动完成后浏览器会自动打开 WebUI。Windows 下看到黑色命令行窗口出现 gradio 访问地址即算成功；macOS 下终端持续输出且无报错即可。
两条说明：
- 整合包已内置全部预训练资产与依赖，无需再做本文第二节；
- 想换显卡驱动方案、升级 Python 或自定义环境，再看下面各节。
二、自建环境：从源码安装
2.1 获取源码
需要手动搭建环境时，先克隆仓库：
git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI2.2 安装依赖
依赖安装分 pip 和 poetry 两条路径，按显卡类型各有一份 requirements 文件。
pip 路径（Python 版本需大于 3.8）
先安装 PyTorch 本体（已装可跳过），再按显卡选清单：
# 1. 安装 PyTorch 核心三件套 pip install torch torchvision torchaudio # 2. Windows + RTX 30 系显卡时，按经验固定 cu117 索引 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117 # 3. 按显卡类型安装项目依赖（四选一） pip install -r requirements.txt # N 卡 pip install -r requirements-dml.txt # A 卡 / I 卡（DirectML） pip install -r requirements-amd.txt # A 卡 ROCM，仅 Linux pip install -r requirements-ipex.txt # I 卡 IPEX，仅 Linux验证成功的方式：执行python -c "import torch; print(torch.__version__)"能打印版本号且无报错。
poetry 路径（建议 Python 3.7–3.10）
3.11 及以上版本在装llvmlite==0.39.0时会冲突，用 poetry 时建议锁定 3.7–3.10：
poetry init -n poetry env use /path/to/python3.10 poetry run pip install -r requirements.txtmacOS 用户可以直接用项目自带的脚本创建虚拟环境并装依赖：
sh ./run.sh2.3 下载预训练资产
推理和训练都依赖一批预训练文件。tools/目录下提供了下载脚本（如download_models.py、dlmodels.sh），也可手动按清单补齐：
| 文件 | 用途 | 是否必须 |
|---|---|---|
assets/hubert/hubert_base.pt | 语音特征提取 | 必须 |
assets/pretrained | v1 预训练模型目录 | 必须 |
assets/uvr5_weights | UVR5 人声/伴奏分离权重 | 必须 |
assets/pretrained_v2 | v2 版本预训练模型 | 用 v2 才需要 |
确认方式：上述路径下能看到对应文件即可。
2.4 安装 ffmpeg 与音高提取模型
项目用 ffmpeg 读写音频，用 RMVPE（InterSpeech 2023 的音高提取算法）提取音高。RMVPE 效果显著优于传统算法，且速度更快、资源占用更小，能解决哑音问题。
# Ubuntu / Debian sudo apt install ffmpeg # macOS brew install ffmpegWindows 用户下载ffmpeg.exe与ffprobe.exe放到项目根目录即可（已装可跳过）。
然后下载 RMVPE 音高模型参数rmvpe.pt放到 RVC 根目录；A 卡 / I 卡用户如走 DML 路径，可另备rmvpe.onnx。
AMD ROCM（仅 Linux）用户还需保证用户加入render与video组，特定型号显卡（如 RX6700XT）需额外设置ROCM_PATH与HSA_OVERRIDE_GFX_VERSION环境变量，按发行版文档配置即可。
三、启动 WebUI
# 常规启动 python infer-web.py # 用 poetry 装的依赖则加上 run poetry run python infer-web.pyI 卡 IPEX（Linux）用户启动前先加载 Intel oneAPI 环境：
source /opt/intel/oneapi/setvars.sh看到终端打印出 WebUI 访问地址、浏览器打开后出现音色列表和训练面板，即为成功。
四、训练：10 分钟数据怎么用
数据时长。推荐 10–50 分钟训练集；音质高、底噪低的前提下，音色统一有个人特色，数据越多越好。如果做的是精简且音色有特色的数据集，5–10 分钟也能训出可用模型。1 分钟以下的数据基本不可复现，不建议尝试。
训练管线做了三件关键事：
- top1 检索替换：推理时从训练集特征库中检索最相近（top1）的特征替换输入源特征，从机制上杜绝音色泄漏，输出更贴近目标音色；
- UVR5 分离：可直接调用 UVR5 模型分离人声与伴奏，省去手动找干声的麻烦；
- RMVPE 音高提取：替代旧算法提取 F0 音高，哑音更少。
操作顺序（全程在 WebUI 内点击完成，无需写代码）：
- 把 16k–48k 的语音文件放入训练集目录，切分出训练/验证集；
- 提取特征与音高（WebUI 对应按钮，底层调用
infer/modules/train/下脚本）； - 设置批大小与训练轮数。显存紧张时调小 batch size——VITS 结构下该项目在较老的显卡上也能较快收敛；
- 一键训练。终端显示
Training is done. The program is closed.即训练成功。 - 训练完成后执行"添加索引"，生成
added_开头的索引文件。检索防泄漏依赖的就是这份索引。
五、推理与刷新音色
用训好的模型推理前，先点击音色列表旁的刷新按钮。新模型不显示时优先做这一项，再看训练日志。日志位置：logs/下以实验名命名的目录，出问题时可截图控制台与 WebUI 一并排查。
推理参数重点看音高（整数升降调）与检索特征库开关：检索功能正是 top1 替换机制的入口，保持开启。
六、常见坑排查
| 现象 | 原因与处理 |
|---|---|
| ffmpeg error / utf8 error | 多数不是 ffmpeg 本身的问题。路径含空格、()等特殊符号会触发 ffmpeg 报错；中文路径写入filelist.txt时会出现 utf8 报错。把数据集目录挪到无空格、纯英文的路径下即可 |
| 训练结束后紧跟一串报错 | 显示Training is done后紧邻的报错是假报错，训练已成功，可忽略 |
一键训练结束没有added_索引 | 训练集过大时内存 add 索引会卡住，项目已改为批处理 add 缓解；临时处理：重新点击一次"训练索引"按钮 |
| 推理时看不到新训音色 | 先点刷新音色列表；仍没有则回查训练是否报错（控制台 + WebUI 截图 +logs/日志） |
进阶建议
- 数据质量优先于数量：精简、低噪、音色统一的小数据集，效果常常好于大而杂的集合；
- 想试 v2 架构：额外下载
assets/pretrained_v2资产包后，在 WebUI 中选用 v2 配置即可； - 批处理推理与 ONNX 导出（
tools/infer_batch_rvc.py、tools/export_onnx.py）适合批量换声与部署场景，按需再看对应脚本说明。
【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
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
)
