10分鐘語音跑通AI變聲RVC WebUI從裝環(huán)境到出效果一篇講清【免費下載鏈接】Retrieval-based-Voice-Conversion-WebUIEasily train a good VC model with voice data 10 mins!項目地址: https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUIRetrieval-based-Voice-Conversion-WebUIRVC是一個基于 VITS一種端到端語音合成模型架構的 AI 變聲 WebUI最少 10 分鐘低噪語音就能訓練出可用的語音轉換模型。這篇文章給你講清最低顯存要多少、預模型下哪幾個文件、以及第一次出音出現電音、啞音時怎么調。先看清門檻AI變聲的最低顯存與預模型清單跑 RVC 之前先對照這張表確認你的機器夠不夠檔次項目要求必須系統(tǒng)Windows / Linux / macOSPython 大于 3.8必須顯存顯卡專用內存N 卡最低 4GB代碼會自動給 4GB 卡切換 fp32 省顯存6GB 以上才從容4GB 以下基本放棄必須ffmpeg讀音頻、切音頻都靠它系統(tǒng) PATH 里必須有必須預模型assets/hubert/hubert_base.pt、assets/pretrained/、assets/uvr5_weights/可選v2 底模assets/pretrained_v2/訓練 v2 模型才需要可選音高模型根目錄rmvpe.pt效果最好的音高提取算法用它可選訓練數據10~50 分鐘、低底噪、音色統(tǒng)一的語音精簡數據 5 分鐘也能跑平臺專屬Windows RTX30xxtorch 必須裝 cu117 版本見下節(jié)命令平臺專屬A 卡 / I 卡依賴換requirements-dml.txt啟動加--dml參數平臺專屬A 卡 ROCm僅 Linux裝 ROCm 驅動部分顯卡要設HSA_OVERRIDE_GFX_VERSION等環(huán)境變量用戶加入render/video組預模型不用一個個找倉庫自帶下載腳本清單和腳本位置tools/download_models.py覆蓋上表全部條目。一條主線跑通裝環(huán)境、下模型、啟動 WebUI下面 5 步每步給你成功標志看到什么算過了。1. 拉代碼→ 命令 → 標志根目錄出現infer-web.py、assets/、configs/git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI2. 裝依賴和 ffmpeg→ 命令 → 標志pip 正常結束無報錯ffmpeg -version有輸出pip install torch torchvision torchaudio pip install -r requirements.txt # A卡/I卡換 requirements-dml.txtA卡ROCM(Linux)換 requirements-amd.txt sudo apt install ffmpeg # macOS: brew install ffmpegWindows: 把 ffmpeg.exe 放進根目錄注意Windows RTX30xx 用戶第一條要換成pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117。macOS 用戶也可以直接sh ./run.sh裝依賴。Windows 用戶嫌麻煩可以下RVC-beta.7z整合包解壓后雙擊go-web.bat用 Poetry 裝的人把后面所有命令前加poetry runPython 建議 3.7~3.10更高版本會在llvmlite0.39.0上報沖突。3. 下載預模型→ 命令 → 標志assets/hubert/、assets/pretrained/等目錄不再為空python tools/download_models.py4. 啟動 WebUI→ 命令 → 標志瀏覽器自動打開127.0.0.1:7865能看到推理、訓練、ckpt 處理等標簽頁python infer-web.py5. 出第一段聲音純界面操作無命令「訓練」頁填一個實驗名指向放音頻的目錄點「一鍵訓練」——它會依次做切音頻、提取音高和特征、訓模型、建索引成功的標志控制臺打出Training is done. The program is closed.且logs/實驗名/下出現added_*.indexfaiss 建的檢索特征庫用來在推理時拉回訓練集音色如果模型訓完但沒出現 index 文件再點一次「訓練特征索引」或命令行跑 tools/infer/train-index.py然后到「推理」頁刷新音色選中剛訓的模型上傳一段源音頻點「轉換」出現可下載的輸出音頻就算全鏈路通了效果怎么調直接改變聲音聽感的 3 個參數第一次出音很少完美下面是推理頁三個對聽感影響最大的控件都給你排障式用法。1. 檢索特征占比 index_rate默認 0.75范圍 0~1作用輸出音色里訓練集音色的混合比例調滿理論上杜絕音色泄漏輸出聲音被輸入源音色帶跑的現象如果你聽到輸出還殘留輸入源的音色大概率是泄漏試試拉到 0.9~1.0如果你聽到音質發(fā)悶、像隔了一層而源音頻其實比訓練集清晰大概率是占比太高把音質拖向訓練集試試降到 0.5 附近訓練集夠多夠好的話這個參數重要性下降模型本身就不怎么泄漏2. protect 保護清輔音和呼吸聲默認 0.33范圍 0~0.5如果你聽到電音、撕裂感等 artifact大概率是清輔音被音高處理破壞了試試降到 0.2拉滿 0.5 等于關閉保護保護力度越大也可能越削弱索引效果別為了消除一個瑕疵把音色換掉3. 音高提取算法默認 rmvpe可選手動換 pm / harvest / crepe如果你聽到啞音音高漂移、破音大概率是算法在弱音段抽錯了音高用默認的 rmvpe 或換 crepe效果好但吃 GPU輸入是歌聲、要速度選 pmharvest 低音區(qū)好但極慢一般不用配套的 filter_radius默認 33 以上會對 harvest 的音高結果做中值濾波數值是濾波半徑調大對削弱啞音有幫助踩過的坑RVC 訓練推理最高頻的 5 個報錯現象ffmpeg error/utf8 error→ 真因音頻路徑帶空格、()或中文不是 ffmpeg 本身壞 → 把訓練集挪到全英文無空格目錄再跑現象 一鍵訓練結束沒有added_*.index→ 真因訓練集太大內存建索引被 OOM 卡死 → 再點一次「訓練特征索引」或單獨跑 tools/infer/train-index.py現象CUDA out of memory→ 真因顯存不夠 → 訓練就縮小 batch_size縮到 1 還不行只能換卡推理就調小 configs/config.py 末尾的x_pad、x_query、x_center、x_max現象 訓練完成推理頁刷新后沒有新音色 → 真因界面緩存 → 點「刷新音色」還沒有就看logs/實驗名/下的訓練日志有沒有報錯現象 Windows 報Could not load shared object file: llvmlite.dll→ 真因缺 Visual C 運行庫 → 裝微軟 VC 2015-2022 可再發(fā)行組件x64后重啟 WebUI收個尾適合把 10~50 分鐘單人語音變成能翻唱、能轉聲的模型N 卡 4GB 就能起步。跑通之后可以試試 ckpt 選項卡里的 ckpt-merge 融合兩個音色或用tools/rvc_for_realtime.py接實時變聲。完整訓練參數對照看 docs/cn/faq.md。【免費下載鏈接】Retrieval-based-Voice-Conversion-WebUIEasily train a good VC model with voice data 10 mins!項目地址: https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI創(chuàng)作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考