10分钟语音克隆RVC本地部署第一条变声音频这样出【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是一个基于 VITS 的本地部署语音克隆与变声框架准备 10 分钟目标说话人的干净人声就能在自己电脑上训练出一个专属音色模型之后任意人声音频都可以被转换成对方的嗓音全程离线音频不经过任何第三方服务器。能做什么、门槛多低10分钟语音克隆的最低要求训练完成后可以把任意人声音频转成目标人物的音色覆盖网页推理、API 调用、实时变声三种用法。最低门槛是 10 分钟低底噪的干净人声音色有个人特色且录得干净时5~10 分钟也能成。最终产出是两个文件.pth音色模型和.index检索索引分别放进assets/weights/与assets/indices/即可直接用于推理。环境自检四种硬件各装哪份依赖先对照表格确定自己的装法再动手。仓库按硬件类型提供三份依赖清单另外走整合包路线可以完全跳过安装环节。你的机器安装方式整合包用户下载 RVC 整合包解压到无中文、无空格目录双击go-webui.batWindows启动无需安装任何依赖N 卡RTX 50 系以前先装 CUDA 11.8 版 torch再装 requirments_cu118_py312.txtRTX 50 系CUDA 12.8 版 torch requirments_cu128_py312.txtA 卡装 requirments_cpu_py312.txtWindows 下走 DirectML 加速I 卡同 A 卡清单Windows 用 DirectML、Linux 用 CPU这就是无显卡跑 RVC 的方案源码安装还需要 Python 3.1264 位和 ffmpeggit clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI pip install torch torchvision torchaudio pip install -r requirments_cu118_py312.txt python webui.py依赖清单按硬件各选一份不要混装预训练模型assets/下的 hubert、rmvpe、pretrained 等必须就位否则界面能打开但推理会报错。一次完整跑通从整合包到第一条变声音频环境就绪后全流程共 6 步走完就能拿到第一条变声音频。下载与解压把整合包或源码放到无中文、无空格的路径双击go-webui.bat自动打开网页。这步在做什么后面所有操作都在这个网页里完成按数据预处理、训练、推理的选项卡组织。准备训练集收集 10~50 分钟目标人声带背景音乐或伴奏的先用内置的 UVR5 人声分离跑一遍UVR5内置的分离模型负责把纯人声从伴奏里拆出来再切成 1~4 秒小片段手动删掉明显过短的残片。这步在做什么干净人声是后续所有环节的材料。数据预处理在切分音频选项卡里程序统一重采样到 16kHz并为每个片段提取两种特征——RMVPE 提取的音高轮廓 F0即语调的起伏走向与 HuBERT 提取的内容特征即说了什么。这步在做什么这两类特征构成模型要学习的全部原料。训练模型填写实验名选采样率配置新手选 32k显存占用小、训练快进阶选 48k高频细节更好可对照 configs/v2/48k.json 与 configs/v1/32k.json开始训练。这步在做什么模型反复对照训练集修正自己的输出训练集底噪大时 20~30 个轮次即可音质高可以加到 200 左右。训练索引训练完成后点训练索引生成.index文件检索索引训练集特征的一张查询表。这步在做什么推理时当前片段的特征会在表里查最相似的一条用训练集的特征替换输入的音色从这一步起音色来源变得确定原说话人的音色泄漏被拦下缺索引效果会明显变差。推理出音在推理选项卡选择模型、上传要转换的音频设置音高偏移以半音计男转女约 12、女转男约 -12以听起来像对方平时说话的调子为准与相似度 index rate推荐 0.8~1.0得到变声波形。这步在做什么替换后的特征交给 VITS 的声码器合成波形输入到输出一条链路走完。效果验收四条听感项与自查方法先按下面四项听感清单验收四条全部通过才算模型可用。验收项自查方法音高跟随源音频挑一句源音频里起伏明显的话疑问句即可听结果的起伏是否同步若变得平核对音高提取算法与音高偏移设置是否正确换气自然保留播放含明显换气声的段落确认换气仍保留且不成噪声换气被吞掉时把相似度降到 0.8 再推一次长句音色稳定跑一条 30 秒以上的长句听中途音色是否突然跳变跳变多半是索引与模型不配套先确认.pth与.index出自同一次训练无电音、不吞字安静环境听句首与句尾有无电流声、破音、吞字若整体发闷带噪别加轮次先降噪、重新切分训练集遇到具体症状时按下面处理结果仍带原说话人音色把 index rate 拉到 1.0仍不行就补足 10 分钟以上训练数据重训不够像目标人物轮次加到 200 左右并核对应用多大音高偏移音质发闷底噪大训练集本身底噪大时轮次不要超过 30先用 UVR5 降噪再切分。两个常见报错训练集里混入极小残片会直接报 tensor 尺寸不匹配删掉过短片段即可训练中途不能换采样率只能换实验名从头训详见 docs/cn/faq.md Q18。显存 4G 以下的卡直接用 32k 配置程序会按 configs/config.py 自动降精度、缩切割参数无需手动改。扩展与边界三种用法和一条授权红线跑通第一条音频后同一套能力可以延伸到三种用法。API 服务仓库提供api_240604.py基于 FastAPI 的推理接口模型路径、音高偏移、相似度都是接口参数接进自己的配音流水线只需几十行代码。批量工作流tools/infer_batch_rvc.py一次转换整个目录参数含--f0up_key音高偏移、--input_path、--opt_pathpython tools/infer_batch_rvc.py --f0up_key 12 --input_path raw --opt_path out实时变声双击go-realtime_gui.bat进入实时变声界面源码见 realtime_gui.py官方端到端延迟 170msASIO 设备可压到 90ms但非常依赖声卡与驱动支持普通 USB 声卡会明显偏高先用默认配置跑通再折腾硬件。项目代码采用 MIT 协议见 LICENSE但代码授权不覆盖声音本身克隆谁的声音就需要谁本人明确同意公开分发模型与结果时保留已获本人授权的书面记录。冒充他人身份、虚假带货、电信诈骗这类用法是红线与工具无关。想融合两个音色做新嗓音用 ckpt 选项卡的 ckpt-merge 模型融合即可不必重新收集数据。【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
10分钟语音克隆RVC本地部署第一条变声音频这样出【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是一个基于 VITS 的本地部署语音克隆与变声框架准备 10 分钟目标说话人的干净人声就能在自己电脑上训练出一个专属音色模型之后任意人声音频都可以被转换成对方的嗓音全程离线音频不经过任何第三方服务器。能做什么、门槛多低10分钟语音克隆的最低要求训练完成后可以把任意人声音频转成目标人物的音色覆盖网页推理、API 调用、实时变声三种用法。最低门槛是 10 分钟低底噪的干净人声音色有个人特色且录得干净时5~10 分钟也能成。最终产出是两个文件.pth音色模型和.index检索索引分别放进assets/weights/与assets/indices/即可直接用于推理。环境自检四种硬件各装哪份依赖先对照表格确定自己的装法再动手。仓库按硬件类型提供三份依赖清单另外走整合包路线可以完全跳过安装环节。你的机器安装方式整合包用户下载 RVC 整合包解压到无中文、无空格目录双击go-webui.batWindows启动无需安装任何依赖N 卡RTX 50 系以前先装 CUDA 11.8 版 torch再装 requirments_cu118_py312.txtRTX 50 系CUDA 12.8 版 torch requirments_cu128_py312.txtA 卡装 requirments_cpu_py312.txtWindows 下走 DirectML 加速I 卡同 A 卡清单Windows 用 DirectML、Linux 用 CPU这就是无显卡跑 RVC 的方案源码安装还需要 Python 3.1264 位和 ffmpeggit clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI pip install torch torchvision torchaudio pip install -r requirments_cu118_py312.txt python webui.py依赖清单按硬件各选一份不要混装预训练模型assets/下的 hubert、rmvpe、pretrained 等必须就位否则界面能打开但推理会报错。一次完整跑通从整合包到第一条变声音频环境就绪后全流程共 6 步走完就能拿到第一条变声音频。下载与解压把整合包或源码放到无中文、无空格的路径双击go-webui.bat自动打开网页。这步在做什么后面所有操作都在这个网页里完成按数据预处理、训练、推理的选项卡组织。准备训练集收集 10~50 分钟目标人声带背景音乐或伴奏的先用内置的 UVR5 人声分离跑一遍UVR5内置的分离模型负责把纯人声从伴奏里拆出来再切成 1~4 秒小片段手动删掉明显过短的残片。这步在做什么干净人声是后续所有环节的材料。数据预处理在切分音频选项卡里程序统一重采样到 16kHz并为每个片段提取两种特征——RMVPE 提取的音高轮廓 F0即语调的起伏走向与 HuBERT 提取的内容特征即说了什么。这步在做什么这两类特征构成模型要学习的全部原料。训练模型填写实验名选采样率配置新手选 32k显存占用小、训练快进阶选 48k高频细节更好可对照 configs/v2/48k.json 与 configs/v1/32k.json开始训练。这步在做什么模型反复对照训练集修正自己的输出训练集底噪大时 20~30 个轮次即可音质高可以加到 200 左右。训练索引训练完成后点训练索引生成.index文件检索索引训练集特征的一张查询表。这步在做什么推理时当前片段的特征会在表里查最相似的一条用训练集的特征替换输入的音色从这一步起音色来源变得确定原说话人的音色泄漏被拦下缺索引效果会明显变差。推理出音在推理选项卡选择模型、上传要转换的音频设置音高偏移以半音计男转女约 12、女转男约 -12以听起来像对方平时说话的调子为准与相似度 index rate推荐 0.8~1.0得到变声波形。这步在做什么替换后的特征交给 VITS 的声码器合成波形输入到输出一条链路走完。效果验收四条听感项与自查方法先按下面四项听感清单验收四条全部通过才算模型可用。验收项自查方法音高跟随源音频挑一句源音频里起伏明显的话疑问句即可听结果的起伏是否同步若变得平核对音高提取算法与音高偏移设置是否正确换气自然保留播放含明显换气声的段落确认换气仍保留且不成噪声换气被吞掉时把相似度降到 0.8 再推一次长句音色稳定跑一条 30 秒以上的长句听中途音色是否突然跳变跳变多半是索引与模型不配套先确认.pth与.index出自同一次训练无电音、不吞字安静环境听句首与句尾有无电流声、破音、吞字若整体发闷带噪别加轮次先降噪、重新切分训练集遇到具体症状时按下面处理结果仍带原说话人音色把 index rate 拉到 1.0仍不行就补足 10 分钟以上训练数据重训不够像目标人物轮次加到 200 左右并核对应用多大音高偏移音质发闷底噪大训练集本身底噪大时轮次不要超过 30先用 UVR5 降噪再切分。两个常见报错训练集里混入极小残片会直接报 tensor 尺寸不匹配删掉过短片段即可训练中途不能换采样率只能换实验名从头训详见 docs/cn/faq.md Q18。显存 4G 以下的卡直接用 32k 配置程序会按 configs/config.py 自动降精度、缩切割参数无需手动改。扩展与边界三种用法和一条授权红线跑通第一条音频后同一套能力可以延伸到三种用法。API 服务仓库提供api_240604.py基于 FastAPI 的推理接口模型路径、音高偏移、相似度都是接口参数接进自己的配音流水线只需几十行代码。批量工作流tools/infer_batch_rvc.py一次转换整个目录参数含--f0up_key音高偏移、--input_path、--opt_pathpython tools/infer_batch_rvc.py --f0up_key 12 --input_path raw --opt_path out实时变声双击go-realtime_gui.bat进入实时变声界面源码见 realtime_gui.py官方端到端延迟 170msASIO 设备可压到 90ms但非常依赖声卡与驱动支持普通 USB 声卡会明显偏高先用默认配置跑通再折腾硬件。项目代码采用 MIT 协议见 LICENSE但代码授权不覆盖声音本身克隆谁的声音就需要谁本人明确同意公开分发模型与结果时保留已获本人授权的书面记录。冒充他人身份、虚假带货、电信诈骗这类用法是红线与工具无关。想融合两个音色做新嗓音用 ckpt 选项卡的 ckpt-merge 模型融合即可不必重新收集数据。【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
