4 步跑通 RVC-WebUI本地训练专属音色模型不用写一行代码【免费下载链接】rvc-webuiliujing04/Retrieval-based-Voice-Conversion-WebUI reconstruction project项目地址: https://gitcode.com/gh_mirrors/rv/rvc-webui剪辑视频时发现配音跟画面气质不搭云端变声服务延迟高、音质糊还担心素材泄露RVC-WebUI 是一个能本地部署的检索式语音转换工具声音克隆、音色转换、训练自己的音色模型全部在你自己的显卡上完成不用租服务器、不用写代码、不产生任何云端 API 费用。检索式到底是个啥先花两分钟弄懂核心概念不然后面调参会瞎。普通变声器像个美颜滤镜直接对声波硬加工处理得越狠越塑料RVC 则更像录音棚里的化妆师——它先把你的一句话拆成说了什么字内容和谁在说音色两部分然后去目标音色的素材库里检索最相似的音色片段重新组装出一句内容不变、说话人换了的新声音。所以它的核心优势是内容不被破坏、只换音色哪怕只有几分钟的干净素材也能训出一个能用的模型。另外记住一个位置整个算法流水线在lib/rvc/目录下训练逻辑在lib/rvc/train.py推理核心在lib/rvc/pipeline.py。今天不读代码但知道东西在哪儿以后想深入就不慌。前 5 分钟把环境拉起来第 1 步把代码拉到本地git clone https://gitcode.com/gh_mirrors/rv/rvc-webui cd rvc-webui把项目文件复制到你的电脑上并进入项目目录第 2 步一键启动。Windows 用户直接双击webui-user.batLinux 和 macOS 用户执行./webui.sh自动创建 Python 虚拟环境、安装 PyTorch 和全部依赖库然后启动并自动打开浏览器首次启动脚本会替你把脏活干完装 PyTorchCUDA 11.8 版本和各种依赖再自动下载预训练底模到models/pretrained/v2/、下载语音特征模型到models/embeddings/。官方测试环境是 Python 3.10 PyTorch 2.0你的环境版本差太远就先对齐。如果你用的是 CPU 或显存偏小的老显卡启动前把环境变量改一下Windows 在webui-user.bat里把COMMANDLINE_ARGS那行改成set COMMANDLINE_ARGS--precision fp32Linux/Mac 改webui-user.sh里的同名变量。官方默认 fp16 半精度、省显存但个别老卡不支持用精度换兼容性最稳。做完这一步你应该看到浏览器打开127.0.0.1:7860的页面顶部有Inference转换、Training训练、Merge融合、Split Audio切分四个标签页models/目录下多了一堆.pth文件。如果页面打不开先看终端最后一行报错大概率能对上下面排查手册的第一行。从素材到你的声音4 个子步骤这是重头戏。每一步我都标了做完后看什么和哪里会卡对不上号就说明卡住了别硬往下走。准备 10 分钟干净人声收集 10-20 条清晰人声片段唱歌、说话都行总时长 10 分钟以上放进项目下新建的dataset/文件夹。关键词是干净带背景音乐、混响太大的素材训练效果一定差——这是别人模型好、你模型差最常见的原因。做完这一步你应该看到dataset/下全是 wav 文件随便点开一条都听得清。把长音频切成短片段切分长音频就像把长视频剪成小片段方便你逐条挑掉杂音也能提升训练效率。切到Split Audio标签页Input Audio (File or Directory)填音频路径单文件或整个目录都行Output Directory填存放目录其余保持默认——默认会把每段切成 1-5 秒Minimum audio length1000 到Maximum audio length5000单位毫秒然后点Separate。做完这一步你应该看到输出目录里多了许多 1-5 秒的短片段Status 显示 Success。如果输出目录是空的检查输入路径是否写错、音频是否都是 wav 格式。点 Train让机器自己干活切到Training标签页只改两个地方Model Name填myvoiceDataset glob填dataset/**/*.wav。glob 就是文件通配符跟电脑里搜文件一个思路**表示所有子目录所以它的核心优势是一行表达式就能圈住整个素材目录。其余保持默认Model version选 v2、Target sampling rate选 40k、f0 Model选 Yes、Pitch extraction algorithm选 crepe、Number of epochs30。点Train然后就可以去泡杯茶。Status 框会依次滚动Preprocessing → Extracting f0 → Extracting features → Training model → Training index → Training completed。这里 90% 的人第一次会卡在一句No audio files found上——别慌它只是说 glob 没匹配到文件回去检查路径、扩展名和Recursive勾选。训练完成品模型落在models/checkpoints/myvoice.pth中间产物在models/training/models/myvoice/。听到第一句转换结果切到Inference标签页。先说破一个坑刚装完时Model下拉框是空的这不是 bug——下拉框只扫描models/checkpoints/目录自动下载的预训练模型只是训练用的底模不在这个目录里。现在你应该能在下拉框里看到myvoice.pth选中它Source Audio填一个 wav 路径Transpose留 0Retrieval Feature Ratio留 1点Infer。做完这一步你应该看到Output区域出现可播放的音频——恭喜你完成了人生第一次本地语音转换全程没写过一行代码。听着不对劲先别动模型对照下面的速查表调参数。参数速查记住这 6 个就够参数默认值什么时候要改改成什么Transpose0要变输出音高、男女互转男转女 12女转男 -12微调 ±3Pitch Extraction Algorithmcrepe转换后声音发怪、有电音感依次试 harvest、dio、mangio-crepeRetrieval Feature Ratio1目标音色与保留原声之间找平衡更像目标 0.8-1.0更留原声 0.3-0.5Target sampling rate40k显存不够、想快一点32kNumber of epochs30数据量大、效果不够逐步往上加超过 100 收益递减Reduce index size with kmeansNo索引文件太大YesTranspose 就像吉他的旋钮一格是一个半音转 12 格正好一个八度所以它的核心优势是音高升降一个滑块搞定不用重新录。批量转换提示Source Audio支持填目录路径或带*的通配符如dataset/**/*.wav此时必须同时填Out folder目录里所有 wav 会被一次性转完结果进outputs/目录。进阶 3 招各管一件事第一招模型融合调出混血音色——适合手里有两个模型、想混合风味的人。打开Merge标签页选Model A和Model B拖Base alpha0.5 就是五五开。Merge method有两个公式Weight sum 按 alpha 加权混合 A 和 BAdd difference 则以第三个模型为基准叠加差异。想更细就勾Each key merge界面会展开 enc_p、dec、flow 三组逐层滑块0-1默认 0.5一层一层微调。模型融合就像按比例调和两种颜料所以它的核心优势是能调出单个模型都没有的中间音色。想立刻听效果在Inference options里填好音频点Merge and gen一次完成融合加转换。第二招索引加持让音色更像——适合觉得转换声有点差口气的人。训练时Train Index默认是 Yes会在models/checkpoints/myvoice_index/生成 FAISS 索引文件。可以把它理解成给音色素材库编的目录推理时不用翻遍全部素材查目录就能直接取到最接近的音色片段所以它的核心优势是音色还原更稳、检索更快。推理时勾上Auto Load Index即自动加载。第三招一个模型装多个声音——适合给团队做多人口播的人。Training 里勾Multiple speakers不同说话人用不同Speaker ID组织数据推理时Speaker ID滑块就能在一个模型里切换多个人不用为每人单独训一个。排查手册5 个高频问题现象最快解法原因一句话Windows 报 Microsoft Visual C 14.0 or greater is required安装微软 C Build ToolsWorkloads 里勾C Build Tools缺 C 编译环境训练报No audio files foundDataset glob改dataset/**/*.wav确认Recursive已勾通配路径没匹配到音频Model 下拉框是空的把.pth模型放进models/checkpoints/后重启下拉框只扫描该目录启动后老显卡报 CUDA 相关错误启动前设COMMANDLINE_ARGS--precision fp32该卡不支持 fp16 半精度转换声像机器人、有电音感音高算法在 crepe 与 mangio-crepe 间切换素材务必干净输入带背景音或音高提取不准如果只有个别字怪多半是 Transpose 没调对跟模型本身无关先微调 ±3 再下结论。常见问题Q对电脑配置要求高吗官方测试环境是 Windows 10 Python 3.10 PyTorch 2.0CUDA 11.8。纯 CPU 能跑但很慢想训练自己的模型4GB 显存起步8GB 舒服很多。本地运行不产生任何 API 费用。Q网上下的音频能拿来训练吗可以但素材必须干净——无背景音乐、无混响。素材质量直接决定模型上限这也是效果差距最常见的原因。Q训练一个模型要多久取决于数据量、显卡和 epoch 数。10 分钟素材 30 epoch中端显卡大约 1-2 小时纯 CPU 可能要跑一个晚上。建议先用小数据量把流程跑通再上全量。Q各种产出文件分别放哪儿成品模型在models/checkpoints/FAISS 索引在同目录的模型名_index/里训练中间产物在models/training/models/推理输出默认进outputs/。Q换了新素材要重新训练吗要。Training 里勾上Ignore cache清掉旧预处理缓存再用同一个 Model Name 训练即可。现在就可以动手把 10 分钟干净素材丢进dataset/照上面 4 个子步骤训出你的第一个模型。卡住就先对照排查手册绝大多数问题 5 分钟内能解决如果你把功能用到顺手还发现了更好的玩法欢迎直接参与这个开源项目——从用户变成贡献者永远是社区里最欢迎的事。【免费下载链接】rvc-webuiliujing04/Retrieval-based-Voice-Conversion-WebUI reconstruction project项目地址: https://gitcode.com/gh_mirrors/rv/rvc-webui创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
