5分钟搭建专业级变声系统：Retrieval-based-Voice-Conversion-WebUI小白指南

你还在为找不到简单易用的语音转换工具而烦恼吗？是否想在自己的电脑上快速搭建一个专业级的变声系统？本文将带你5分钟入门Retrieval-based-Voice-Conversion-WebUI（简称RVC），无需专业知识，轻松实现高质量语音转换。读完本文，你将能够：快速配置环境、完成模型训练、进行实时语音转换，并解决常见问题。

项目简介

Retrieval-based-Voice-Conversion-WebUI是一个基于VITS的简单易用的变声框架，具有以下特点：

• 使用top1检索替换输入源特征为训练集特征来杜绝音色泄漏
• 即便在相对较差的显卡上也能快速训练
• 使用少量数据进行训练也能得到较好结果(推荐至少收集10分钟低底噪语音数据)
• 可以通过模型融合来改变音色
• 简单易用的网页界面
• 可调用UVR5模型来快速分离人声和伴奏
• 支持A卡I卡加速

项目提供了两种主要界面：

• 训练推理界面：通过go-web.bat启动，可自由选择想要执行的操作。
• 实时变声界面：通过go-realtime-gui.bat启动，已实现端到端170ms延迟，使用ASIO输入输出设备可低至90ms。

环境配置

快速安装步骤

以下是在不同操作系统上配置环境的通用方法：

Windows系统

1. 安装Python（建议版本3.8及以上）
2. 安装Pytorch及其核心依赖：

pip install torch torchvision torchaudio

如果是Nvidia Ampere架构(RTX30xx)显卡，需要指定cuda版本：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117

3. 根据显卡类型安装对应依赖：

• N卡用户：

pip install -r requirements.txt

• A卡/I卡用户：

pip install -r requirements-dml.txt

4. 下载并安装ffmpeg，将ffmpeg.exe和ffprobe.exe放置在项目根目录

Linux/MacOS系统

1. 安装Python（建议版本3.8及以上）
2. 安装Pytorch及其核心依赖（同上）
3. 根据显卡类型安装对应依赖（同上）
4. 安装ffmpeg：

• Ubuntu/Debian用户：

sudo apt install ffmpeg

• MacOS用户：

brew install ffmpeg

5. MacOS用户可直接通过run.sh脚本安装依赖：

sh ./run.sh

预模型准备

RVC需要一些预模型来进行推理和训练，你可以通过tools/download_models.py脚本自动下载，也可以手动下载以下文件：

1. 基础模型文件：

   • assets/hubert/hubert_base.pt
   • assets/pretrained文件夹下的文件
   • assets/uvr5_weights文件夹下的文件

2. 如果想使用v2版本模型，还需要下载assets/pretrained_v2文件夹下的文件

3. 下载RMVPE人声音高提取算法所需文件：

   • rmvpe.pt放置于项目根目录
   • A卡/I卡用户还需下载rmvpe.onnx

快速启动

基本启动方法

完成环境配置后，你可以通过以下方式启动WebUI：

1. 直接启动：

python infer-web.py

2. 如果使用Poetry安装依赖：

poetry run python infer-web.py

3. Windows用户可以直接双击go-web.bat文件启动

高级启动选项

• 实时变声界面：双击go-realtime-gui.bat
• A卡DML加速：使用go-web-dml.bat或go-realtime-gui-dml.bat
• I卡IPEX加速（仅Linux）：

source /opt/intel/oneapi/setvars.sh
python infer-web.py

模型训练

数据准备

训练模型需要准备以下数据：

• 10-50分钟的语音数据（推荐高质量、低底噪）
• 音频文件格式建议为wav、mp3等常见格式
• 确保音频路径不包含中文、空格或特殊符号

训练步骤

1. 启动WebUI后，进入训练选项卡
2. 设置实验名称（英文，不要包含特殊字符）
3. 上传或指定训练集文件夹路径
4. 调整训练参数（对于新手，建议使用默认参数）
5. 点击"提取特征"按钮，等待特征提取完成
6. 点击"训练模型"按钮开始训练

训练过程中，你可以在界面上看到实时的训练进度和损失值变化。训练完成后，模型文件会保存在weights文件夹下。

提示：如果训练集音质差底噪大，20~30轮迭代足够；如果训练集音质高底噪低时长多，可以适当增加迭代次数，200轮左右效果更佳。

常见训练问题

• Q: 训练结束没有索引文件怎么办？
  A: 显示"Training is done. The program is closed."则模型训练成功，可尝试再次点击"训练索引"按钮。

• Q: 训练集需要多少时长？
  A: 推荐10min至50min。高质量、特色明显的5min至10min数据也可能训练出不错的模型，但1min以下数据不建议尝试。

• Q: 如何中断和继续训练？
  A: 现阶段只能关闭WebUI，重启程序后使用相同实验名继续训练。

详细的常见问题解答可以参考docs/cn/faq.md。

语音转换

基本转换步骤

1. 在WebUI中切换到"推理"选项卡
2. 上传或输入要转换的音频文件
3. 选择要使用的模型（点击"刷新音色"按钮加载最新模型）
4. 调整转换参数：
   • 音高偏移（key）：根据需要调整，通常范围在-12到+12之间
   • 索引强度（index rate）：控制音色相似度，0.5-0.8较为常用
   • F0提取算法：根据音频特点选择，通常推荐使用rmvpe
5. 点击"转换"按钮开始处理
6. 转换完成后可以试听并下载结果

高级功能

• 模型融合：通过ckpt处理选项卡中的ckpt-merge功能，可以融合多个模型改变音色
• 批量转换：使用tools/infer_batch_rvc.py脚本进行批量处理
• 命令行转换：使用tools/infer_cli.py脚本通过命令行进行转换

实时变声

1. 双击go-realtime-gui.bat启动实时变声界面
2. 选择输入输出设备
3. 选择要使用的模型
4. 调整参数后点击"开始"按钮
5. 现在你可以通过麦克风实时变声了

提示：使用ASIO输入输出设备可以获得更低延迟，但需要声卡支持。

模型管理

模型分享

用于分享的模型是weights文件夹下大小为60+MB的pth文件。建议将weights文件夹下的pth文件和logs文件夹下的index文件合并打包成zip文件分享。

模型转换

如果需要将训练中间保存的pth文件用于推理，需要通过ckpt选项卡最下面的功能进行小模型提取。

模型优化

• 可以通过tools/export_onnx.py将模型导出为ONNX格式，提高推理速度
• 对于低配置设备，可以适当调整config.py中的参数，如x_pad、x_query等，减少显存占用

常见问题解决

环境问题

• ffmpeg error/utf8 error：通常是音频路径问题，避免使用中文、空格或特殊符号
• Cuda out of memory：显存不足，可尝试缩小batch size或调整config.py中的参数
• llvmlite.dll错误：Windows用户需要安装vc_redist.x64.exe

训练问题

• 训练结束没有索引：可能是训练集太大导致，可尝试再次点击"训练索引"按钮
• 训练集音质差：建议20-30轮迭代即可，避免过度训练
• 训练中断后继续：使用相同实验名重新训练即可继续

推理问题

• 看不到训练的音色：点击"刷新音色"按钮，检查训练是否有报错
• 推理结果音质差：尝试调整index rate参数，或使用更高质量的训练数据
• 变声效果不明显：调整音高偏移参数，或尝试使用不同的F0提取算法

更多常见问题可以参考docs/cn/faq.md。

总结与展望

Retrieval-based-Voice-Conversion-WebUI提供了一个简单易用但功能强大的语音转换解决方案，即使是没有专业知识的用户也能快速上手。通过本指南，你已经了解了如何配置环境、训练模型和进行语音转换。

项目仍在持续发展中，未来将提供更强大的底模、更简单的操作流程和更好的转换效果。你可以通过docs/cn/Changelog_CN.md关注最新更新。

如果你在使用过程中遇到问题，可以查阅项目文档或加入社区寻求帮助。祝你使用愉快！