RVC 实战10分钟录音训出可换声色的语音模型4G显存就够【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-WebUIRVCRetrieval-based Voice Conversion WebUI是基于 VITS 架构的变声器与语音克隆工具你投入 1050 分钟的目标人声录音它训练出一个音色模型之后任何音频扔进去转换都会以那个音色输出。适合想给视频配音、换游戏角色声、做翻唱但不想碰音频工程细节的内容创作者和爱好者。本文按自检、最小配置、训练验证、排障的顺序走完全流程每一步都有可核对的产物。跑起来之前的三条底线显存够不够4G 够低于 4G 直接放弃。官方 FAQQ8的口径是 4G 显存显卡还有救4G 以下1060 3G 之类的老卡、各种 2G 卡建议放弃程序启动时会自读显存并据此估算 batch size训练时 batch size 缩到 1 还报 out of memory就是显卡确实不够换卡或租云 GPU不必硬试。环境齐不齐Python 3.12 ffmpeg 底模缺一不可。切分和重采样都靠 ffmpegUbuntusudo apt install ffmpegmacOSbrew install ffmpeg。底模文件必须落在 assets/ 下——hubert_base、rmvpe/rmvpe.pt、pretrained 和 pretrained_v2 目录缺任何一个训练和推理都起不来下载命令见 README.md。录音够不够10 分钟起步干净可到 5 分钟。FAQQ10推荐 10min 至 50min音质高、底噪低、音色统一时 510min 也 OK仓库作者本人常这么用12min 的成功案例官方注明不具备参考价值。数据量决定效果上限这是全流程最不可逆的一步先做它。底噪会直接进模型轮次再高也压不下去语速语调留些变化让样本覆盖不同发音状态单条别太长FAQQ14明确提醒切分和音高提取是 CPU 多进程超长音频吃内存。git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI python3.12 -m venv .venv source .venv/bin/activate # Windows 用 .venv\Scripts\activate训练前只调三个数字训练页里值得动的就三个其余全部保持默认参数怎么设为什么总轮数 total_epoch有底噪2030干净且时长足可到 200FAQQ9底噪大的数据训太多轮噪音会被一起学进去干净数据 200 轮没问题保存间隔 save_every_epoch保持默认 5间隔小才能逐个试听保存点挑最早达标的那个避免过拟合batch_size用页面默认值OOM 再降默认由 webui.py 按显存自动估算约等于显存 GB 数除以 2是稳定起步值两项影响明显顺手设采样率选 48k 配 v2 底模是官方配置里质量上限最高的一档configs/v2/48k.json音高提取算法选 rmvpe效果最好且只占少量显存pm 适合歌声输入提速。装依赖与底模都在项目根目录执行# CPU / AMD / Intel pip install -r requirments_cpu_py312.txt # NVIDIARTX 50 系以前 pip install torch2.7.1cu118 torchaudio2.7.1cu118 --index-url https://download.pytorch.org/whl/cu118 --extra-index-url https://pypi.org/simple pip install -r requirments_cu118_py312.txt # NVIDIA RTX 50 系把 cu118 换成 cu128依赖文件换 requirments_cu128_py312.txtpip install huggingface_hub hf download lj1995/VoiceConversionWebUI --revision main --include hubert_base/* --local-dir assets hf download lj1995/VoiceConversionWebUI rmvpe.pt --revision main --local-dir assets/rmvpe hf download lj1995/VoiceConversionWebUI --revision main --include pretrained/* pretrained_v2/* --local-dir assets hf download lj1995/VoiceConversionWebUI mute.zip --revision main --local-dir .model-downloads python -m zipfile -e .model-downloads/mute.zip logsmute.zip 解到 logs/ 是训练文件列表的静音样本缺了它 filelist 会引用空文件。一键训练每步都有产物可查启动与确认python webui.py浏览器自动打开 7865 端口端口被占用时代码会自动顺延到下一个可用端口无桌面环境加--noautoopen。填训练集文件夹路径和实验名——后面找模型全靠它点一键训练。流程分四段每段都有落盘产物凭这个确认这一步真的过了数据切分logs/实验名/ 下出现 0_gt_wavs 和 1_16k_wavs 两个目录里面是同名 .wav日志在 preprocess.log音高与特征提取2a_f0、2b-f0nsf 生成 .npy3_feature768v2生成 .npy日志在 extract_f0_feature.log模型训练日志在 train.log每个保存点出一个 G 开头的 pth把是否将中间模型保存至 weights 文件夹勾是assets/weights/ 下会同步出现 60MB 的推理用 pth训练索引logs/实验名/ 下出现 added_ 开头的 .index 文件一键训练结束没看到索引文件多半是训练集太大卡住了索引步骤FAQ Q2重按一次训练索引即可。验收标准切到推理页点刷新音色选一个保存点模型加索引上传一段训练集里没用过的音频转换——输出的音色和录音对得上、没有明显电音训练与推理就算都通了。结果不对时往哪拧按先数据、再旋钮、后环境的顺序查别反过来。先查数据。音色不接近目标声第一怀疑对象是训练集底噪被模型学了、或时长不足导致覆盖不全。这个旋钮救不了只有换数据。报错类问题直接看 logs/实验名/ 下的 log 文件名定位卡在哪一段。再调参数旋钮。检索特征占比 index_rate01默认 0.75调高到 1音色完全锚定训练集输入源和底模的音色泄露被杜绝但音质上限被训练集锁死训练集音质低时反而降质调低到 0不做检索保护音质可能更好音色泄露会回来FAQ Q11。训练集优质且时长足时这个值不重要模型本身已不太引用外部音色保护清辅音 protect00.5默认 0.33输出有电音、撕裂时往下调0.33 → 0.2页面标注拉满 0.5 等于不开启调低会加大保护力度但可能降低索引效果总轮数相似度不足且数据干净就加轮数数据有底噪就减轮数——训多了噪音更实FAQ Q9变调整数半音12 升八度、-12 降八度这是唯一该动的效果开关以外的参数最后怀疑环境。OOM 见第一节文件/内存 errorFAQ Q14说明 CPU 进程开太多把CPU 进程数拉低或手工把超长训练音频切短。跑通之后的两条岔路批量转换WebUI 内置批量推理选项卡填输入文件夹路径输出默认写到 opt/ 目录wav/flac/mp3/m4a 可选逐文件转换不开网页也行——前提是模型和索引已就位。实时变声双击 go-realtime_gui.bat 启动实时界面。README 给的延迟是端到端 170ms换 ASIO 输入输出设备可压到 90ms但非常依赖声卡驱动支持普通 USB 声卡别期待这个数字。现在做一件事收尾在推理页选一个保存点模型上传一段录音之外的音频转换听到目标音色且无电音等于训练和推理两条链路都验证通过。【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
RVC 实战10分钟录音训出可换声色的语音模型4G显存就够【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-WebUIRVCRetrieval-based Voice Conversion WebUI是基于 VITS 架构的变声器与语音克隆工具你投入 1050 分钟的目标人声录音它训练出一个音色模型之后任何音频扔进去转换都会以那个音色输出。适合想给视频配音、换游戏角色声、做翻唱但不想碰音频工程细节的内容创作者和爱好者。本文按自检、最小配置、训练验证、排障的顺序走完全流程每一步都有可核对的产物。跑起来之前的三条底线显存够不够4G 够低于 4G 直接放弃。官方 FAQQ8的口径是 4G 显存显卡还有救4G 以下1060 3G 之类的老卡、各种 2G 卡建议放弃程序启动时会自读显存并据此估算 batch size训练时 batch size 缩到 1 还报 out of memory就是显卡确实不够换卡或租云 GPU不必硬试。环境齐不齐Python 3.12 ffmpeg 底模缺一不可。切分和重采样都靠 ffmpegUbuntusudo apt install ffmpegmacOSbrew install ffmpeg。底模文件必须落在 assets/ 下——hubert_base、rmvpe/rmvpe.pt、pretrained 和 pretrained_v2 目录缺任何一个训练和推理都起不来下载命令见 README.md。录音够不够10 分钟起步干净可到 5 分钟。FAQQ10推荐 10min 至 50min音质高、底噪低、音色统一时 510min 也 OK仓库作者本人常这么用12min 的成功案例官方注明不具备参考价值。数据量决定效果上限这是全流程最不可逆的一步先做它。底噪会直接进模型轮次再高也压不下去语速语调留些变化让样本覆盖不同发音状态单条别太长FAQQ14明确提醒切分和音高提取是 CPU 多进程超长音频吃内存。git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI python3.12 -m venv .venv source .venv/bin/activate # Windows 用 .venv\Scripts\activate训练前只调三个数字训练页里值得动的就三个其余全部保持默认参数怎么设为什么总轮数 total_epoch有底噪2030干净且时长足可到 200FAQQ9底噪大的数据训太多轮噪音会被一起学进去干净数据 200 轮没问题保存间隔 save_every_epoch保持默认 5间隔小才能逐个试听保存点挑最早达标的那个避免过拟合batch_size用页面默认值OOM 再降默认由 webui.py 按显存自动估算约等于显存 GB 数除以 2是稳定起步值两项影响明显顺手设采样率选 48k 配 v2 底模是官方配置里质量上限最高的一档configs/v2/48k.json音高提取算法选 rmvpe效果最好且只占少量显存pm 适合歌声输入提速。装依赖与底模都在项目根目录执行# CPU / AMD / Intel pip install -r requirments_cpu_py312.txt # NVIDIARTX 50 系以前 pip install torch2.7.1cu118 torchaudio2.7.1cu118 --index-url https://download.pytorch.org/whl/cu118 --extra-index-url https://pypi.org/simple pip install -r requirments_cu118_py312.txt # NVIDIA RTX 50 系把 cu118 换成 cu128依赖文件换 requirments_cu128_py312.txtpip install huggingface_hub hf download lj1995/VoiceConversionWebUI --revision main --include hubert_base/* --local-dir assets hf download lj1995/VoiceConversionWebUI rmvpe.pt --revision main --local-dir assets/rmvpe hf download lj1995/VoiceConversionWebUI --revision main --include pretrained/* pretrained_v2/* --local-dir assets hf download lj1995/VoiceConversionWebUI mute.zip --revision main --local-dir .model-downloads python -m zipfile -e .model-downloads/mute.zip logsmute.zip 解到 logs/ 是训练文件列表的静音样本缺了它 filelist 会引用空文件。一键训练每步都有产物可查启动与确认python webui.py浏览器自动打开 7865 端口端口被占用时代码会自动顺延到下一个可用端口无桌面环境加--noautoopen。填训练集文件夹路径和实验名——后面找模型全靠它点一键训练。流程分四段每段都有落盘产物凭这个确认这一步真的过了数据切分logs/实验名/ 下出现 0_gt_wavs 和 1_16k_wavs 两个目录里面是同名 .wav日志在 preprocess.log音高与特征提取2a_f0、2b-f0nsf 生成 .npy3_feature768v2生成 .npy日志在 extract_f0_feature.log模型训练日志在 train.log每个保存点出一个 G 开头的 pth把是否将中间模型保存至 weights 文件夹勾是assets/weights/ 下会同步出现 60MB 的推理用 pth训练索引logs/实验名/ 下出现 added_ 开头的 .index 文件一键训练结束没看到索引文件多半是训练集太大卡住了索引步骤FAQ Q2重按一次训练索引即可。验收标准切到推理页点刷新音色选一个保存点模型加索引上传一段训练集里没用过的音频转换——输出的音色和录音对得上、没有明显电音训练与推理就算都通了。结果不对时往哪拧按先数据、再旋钮、后环境的顺序查别反过来。先查数据。音色不接近目标声第一怀疑对象是训练集底噪被模型学了、或时长不足导致覆盖不全。这个旋钮救不了只有换数据。报错类问题直接看 logs/实验名/ 下的 log 文件名定位卡在哪一段。再调参数旋钮。检索特征占比 index_rate01默认 0.75调高到 1音色完全锚定训练集输入源和底模的音色泄露被杜绝但音质上限被训练集锁死训练集音质低时反而降质调低到 0不做检索保护音质可能更好音色泄露会回来FAQ Q11。训练集优质且时长足时这个值不重要模型本身已不太引用外部音色保护清辅音 protect00.5默认 0.33输出有电音、撕裂时往下调0.33 → 0.2页面标注拉满 0.5 等于不开启调低会加大保护力度但可能降低索引效果总轮数相似度不足且数据干净就加轮数数据有底噪就减轮数——训多了噪音更实FAQ Q9变调整数半音12 升八度、-12 降八度这是唯一该动的效果开关以外的参数最后怀疑环境。OOM 见第一节文件/内存 errorFAQ Q14说明 CPU 进程开太多把CPU 进程数拉低或手工把超长训练音频切短。跑通之后的两条岔路批量转换WebUI 内置批量推理选项卡填输入文件夹路径输出默认写到 opt/ 目录wav/flac/mp3/m4a 可选逐文件转换不开网页也行——前提是模型和索引已就位。实时变声双击 go-realtime_gui.bat 启动实时界面。README 给的延迟是端到端 170ms换 ASIO 输入输出设备可压到 90ms但非常依赖声卡驱动支持普通 USB 声卡别期待这个数字。现在做一件事收尾在推理页选一个保存点模型上传一段录音之外的音频转换听到目标音色且无电音等于训练和推理两条链路都验证通过。【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
