RVC 全名 Retrieval-based-Voice-Conversion-WebUI，官方定位是「简单易用的语音音色转换/变声器框架」。它做的事和语音合成不同：不是从文字生成语音，而是把一段已经录好的声音，换成另一个音色。

这类工具过去的门槛不低，RVC 把门槛压到了两个数字上：训练至少需要 10 分钟语音数据，实时变声的端到端延迟是 170 毫秒。

它和语音合成有什么不同

语音合成输入文字、输出语音；RVC 输入的是语音本身。你给它一段录音，它输出内容相同、音色换成目标模型的版本——改变的是「谁在说」，而不是「说了什么」。

官方在简介里列的第一条特性是：使用 top1 检索把输入源特征替换为训练集特征，用来杜绝音色泄漏。检索到的特征来自训练集本身，输出因此更贴近目标音色，而不是把输入源的口音与音质一并带过去。

10 分钟数据就能训练

官方建议至少收集 10 分钟低底噪语音数据，用少量数据训练也能得到较好结果。这个量级意味着不需要专业录音棚，一段安静的室内录音基本够用。

硬件要求同样不高，官方明确写了「即便在相对较差的显卡上也能快速训练」。底模由接近 50 小时的开源高质量 VCTK 训练集训练而成，官方称无版权方面的顾虑；此外还能在 ckpt 处理选项卡里用 ckpt-merge 做模型融合来改变音色。

装起来：依赖按显卡分三档

这个分支面向 64 位 Python 3.12，Ubuntu 侧推荐 24.04。依赖按硬件分三档：纯 CPU 与 AMD、Intel 显卡用一份依赖文件；NVIDIA 显卡再按新旧分开——RTX 50 系先装 CUDA 12.8 版 Torch，RTX 50 系以前先装 CUDA 11.8 版 Torch，之后再装各自对应的依赖文件，注意是先装 Torch 再装依赖文件。装完可用一条命令打印 Torch 与 CUDA 版本，先确认环境再往下走。

AMD 与 Intel 显卡走的是 CPU 依赖方案：Windows 上可用 DirectML，Linux 上直接用 CPU。非 NVIDIA 平台不是不能跑，但要接受算力上的落差。

模型要放对位置

WebUI 会自动创建运行目录，但模型要自己下载并放到指定位置。官方要求保持固定结构：特征提取用的 hubert_base、音高提取用的 rmvpe 权重、训练用的 pretrained 与 pretrained_v2、人声分离用的 pymss_weights，以及存放用户模型的 weights 与存放索引的 indices。

下载同样走命令行工具，按用途分几组：推理与特征提取必需一组，v1/v2 训练必需另一组，人声分离可选一组；仅 Windows 上的 DirectML 环境还需额外一份 onnx 格式的音高权重。另外 Windows 要自己把 FFmpeg 的两个可执行文件放进项目根目录。

实时变声与延迟

官方给了网页界面与单独的实时变声界面两个入口。延迟是这里最值得看的一项——官方称已实现端到端 170 毫秒，若使用 ASIO 输入输出设备可以做到端到端 90 毫秒，但官方也坦言这非常依赖硬件驱动的支持。

能压到这个量级，音高提取算法是关键一环。官方采用的是 InterSpeech2023 的 RMVPE 算法，评价是「根绝哑音问题，速度快、资源占用小」；界面里也可切回 pm、harvest 或 crepe。

启动方式与许可

启动命令就一条，默认监听 7865 端口，没有桌面环境的 Ubuntu 服务器可以加参数跳过自动打开浏览器；用户模型放 weights 目录、索引放 indices 目录。

许可以 MIT 许可证开源，底模用的是开源 VCTK 数据集、官方称无版权方面的顾虑。有一点需要自己把关：音色转换处理的是他人的声音，把结果用于公开内容时，请先确认已取得相应授权。

音色转换这类工具的进步，把「声音」从一种生理特征变成了可以建模的参数。技术上的便利是一回事，用在哪里是另一回事——模型能做的事，和应该做的事，从来不是同一个问题。