如何训练一个RVC模型？

如何训练一个RVC模型？

RVC（Retrieval-based Voice Conversion）模型是一种基于检索的语音转换模型，能够实现高质量的音色转换。本文将详细介绍如何训练一个RVC模型，包括数据收集、处理、训练等关键步骤。

该项目的一些特点

• 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(借助ckpt处理选项卡中的ckpt-merge)
• 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
• 使用最先进的人声音高提取算法InterSpeech2023-RMVPE根绝哑音问题。效果最好（显著地）但比crepe_full更快、资源占用更小
• A卡I卡加速支持

准备：开始

首先，你需要明确训练目标音色，这个音色需要是真实存在的，可以是某款游戏或者动漫、电影里的某一个人物，并且能够收集到至少5-10分钟甚至更多的数据。训练一个RVC模型的大概步骤如下：

1. 收集数据
2. 处理数据
3. 数据切分
4. 提取音高
5. 开始训练
6. 构建索引
7. 完成

让我们开始训练过程。

开始

数据收集

你可以通过一些工具来解包游戏获得声音，也可以通过下载工具下载视频、音乐、电影等。在这里，不会详细介绍如何解包某款游戏或者下载某平台的视频音乐等，需要读者自行解决。

人声分离

使用The Ultimate Vocal Remover Application（UVR5）提取干声：

推荐使用以下模型进行人声分离：

1. 使用UVR-MDX-NET inst HQ3 将人声分离出来，只需要vocals，所以勾选Vocals Only
2. 使用VR模型中的UVR-DeNoise使人声更加纯净(如果你需要训练的声音有一定特点比如：机器人，请不要使用它)
3. 使用UVR-DeEcho-DeReverb去除一些和声和混响与延迟(如果你需要训练有特点的声音比如：庞然大物，请不要使用它)
4. 最后(可选)如果你的声音数据中有多个人，请使用 5或6_HP-Karaoke-UVR提取主人声

数据整理

将分离出来的人声数据进行重命名，使其井然有序，例如：

• lala (1).wav
• lala (2).wav
• lala (3).wav
• ……

将它们放到一个文件夹内，不要有空格，然后启动RVC Webui(go-web.bat)。

如果你没有nvidia gpu或者不想在本地训练，可以跟随RVC官方推荐的AutoDL·RVC训练教程。

启动后，程序会自动打开浏览器并打开一个页面。点击“训练”，在“输入实验名”那里输入一个名字，不要有空格，建议使用拼音或者英文，可以是你训练的人物名字。

参数设置

• 目标采样率选择40k就够了，如果你的声音数据有48k当然训练48k更好
• 音高指导建议勾选“是”无论你是否使用该模型唱歌，因为人平时说话是多变的
• CPU进程数建议保持默认，如果你对你的硬件有信心可以调高或拉满
• 然后对着你的训练数据文件夹 Shift + 右键“复制为路径”然后粘贴到“输入训练文件夹路径”别的“千万别动”
• 然后选择处理音高的模型，建议使用 rmvpe_gpu 如果你有多张显卡可以按照说明进行更改

训练设置

• 保存频率可以保持默认，这样即使电脑断电重启后也可以接着继续训练，当然你有信心也可以直接拉满 50轮保存一次
• total_epoch可以保持默认，一般默认就足以克隆音色了，但如果你的音色比较特殊(比如夹子音) 可以拉到200，但训练时间也会随之增加
• Batch_size理论上来说越高训练越快，同时也越占现存，如果GPU性能差但显存大拉高后模型质量会随之下降
• 后面的选项建议保持不动，如果你的硬盘空间不足可以勾选仅保存最新ckpt

开始训练

点击“一键训练”开始训练，建议关闭其他所有网页和后台程序，仅保留当前页面和后端，不要关闭网页，等待训练完成。

训练完成后，你将会在安装目录/\assets/\weights下找到训练名.pth这是你的模型文件。然后在安装目录/\logs/\训练名找到added_训练名xxx.index这是你的索引文件。如果你需要分享你的模型请分享这两个文件，而不是只分享模型文件。

结束

接下来，请享受您训练的模型，如果您愿意的话，还请将模型分享出来给更多人使用，建议上传到Hugging Face。