介绍

RVC 全称 Retrieval-based-Voice-Conversion ，是一个基于VITS的变声器，常配合UVR使用（翻唱）。

配置要求

与 SoVITS 类似，但对渣机更加友好（1650还是没法玩），甚至用服务器CPU“2690v2”（两枚）或者“2650v4”也可以花费大概两天半的时间训练一个模型。

推理最少4GB VRAM（实际上4GB显存太过于坐牢）

炼丹最少6GB VRAM

没有显卡可以用CPU龟速炼丹（下下策）

细节

影响炼丹/推理速度的因素有：

  • CPU主频（如果使用CPU的话）
  • CPU核心/线程数（如果使用CPU的话）（影响幅度较小）
  • 内存频率（如果使用CPU的话）（影响幅度较大）
  • 显卡CUDA核心个数（影响幅度最大）
  • 显存频率（影响幅度中等）
  • 显存大小（影响幅度最大，可以调整batch_size以加快（？）炼丹速度）

部署（Linux/Windows通用）

最好使用conda来管理py环境，这里我假设你成功安装了conda，以下是需要运行的命令：

conda create -n=rvc python=3.10
conda activate rvc
git clone https://github.com/RVC-Project/Retrieval-based-Voice-Conversion-WebUI
pip install -r requirements.txt
cd tools/
export all_proxy=http://<代理地址>:<端口>
./dlmodels.sh #下载预处理模型
cp -r assets/* ../assets/
cd ..

自此即为部署成功

启动！

python infer-web.py

稍后即可在浏览器看到以下页面：（自动打开）

例子

推理

  1. 重采样，这个选项一般不管，保持0即可
  2. 无脑拉1
  3. 一般保持默认0.33即可，拉太小会糊
  4. 仅havest有效，一般不管
  5. 看模型质量，模型好可以拉大些0.8～0.98，模型不行可以拉0.4～0.7，一般给出的0.75也是可以尝试的
  6. 男转女调12，女转男调-12，同性保持0即可

炼丹

image.png

  1. 有显卡就选rmvpe_gpu，没有显卡那就选rmvpe
  2. 保存频率应该是总训练轮数的因数
  3. 这个看数据集长短，(5,10]min 推荐[300,500]轮，>10min 推荐[50,300)。如果实在不知道训多少轮，那就250吧
  4. CPU炼丹的话起码8，GPU炼丹看显存；这个决定吃VRAM/RAM的程度

整个页面都很写得很清楚了，本文无需多讲

杂项

wav和flac比较占空间，mp3比较吃时间

如果跑一下不行，那么可以改一改参数再跑一下

原音频和模型质量决定最终输出上限

最后修改：2024 年 04 月 22 日
© 允许规范转载
欸嘿，不如点一杯奶茶给我吧