如何训练一个RVC模型？

前言

在往期文章 一个另类的RVC实现方式 – Arasaka ltd. 中，我简单介绍了RVC变声器，在此感谢开发团队的辛勤工作和社区的帮助，让该项目越来越好

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，你需要明白你需要训练什么音色，这个音色是要真实存在的，可以是某款游戏或者动漫、电影里的某一个人物，并且可以保证能够收集到至少5-10分钟甚至更多的数据，而不是空想出来，反之，你应该关闭这个页面并在Google上寻找一个合适的音频处理软件对你或者你想变声的声音进行调整

训练一个RVC模型非常的简单，大概步骤是：

• 收集数据
• 处理数据
• 数据切分
• 提取音高
• 开始训练
• 构建索引
• 完成

那么，接下来让我们真正开始训练

开始

让我们开始收集数据，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….

在这里，我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等，请你自己解决

然后，通过The Ultimate Vocal Remover Application提取干声

我不会在这里详细介绍如何使用UVR5的使用方法，但我会为你推荐几款模型

首先，使用UVR-MDX-NET inst HQ3 将人声分离出来，你只需要vocals，所以勾选Vocals Only

然后，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)

随后，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)

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

然后，重命名你的声音数据使其井然有序，比如

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

将他们放到一个文件夹内，不要有空格，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 · RVC-Project/Retrieval-based-Voice-Conversion-WebUI Wiki · GitHub

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

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

音高指导我建议勾选 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，我建议使用 rmvpe_gpu 如果你有多张显卡可以按照说明进行更改

然后下滑到最后一栏

第一项 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

然后点击 一键训练 训练开始，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