RVC WebUI(Retrieval-based-Voice-Conversion-WebUI)配置
RVC WebUI (Retrieval-based Voice Conversion，檢索式語音轉換) 為一款開源的AI翻唱軟體，可以依照你的意思，讓AI為你唱首歌。
譬如，我讓川普翻唱Radiohead的High And Dry：
這款軟體最大的特色是複製人聲和訓練模型的成本很低，不用太高階的顯示卡就能跑！
1. RVC WebUI不是什麼
RVC WebUI為Gradio寫成的網頁前端介面，背後使用VITS技術合成語音。
單就RVC WebUI的功能來說，它並非從無到有全自動生成歌曲的AI，它不是Suno AI，也不是文字轉語音服務，而是協助你製作AI翻唱的工具。RVC WebUI的功能是學習某人的聲音，並讓它模仿原本的聲調生成新的人聲音訊，就好像歌手翻唱別人歌曲的概念。
腦筋動的比較快的用戶應該能發現，其實「模仿他人聲音」不一定要用在歌曲上面。RVC WebUI產出的檔案是純人聲，因此用來當「變聲器」也是可行的。
像是你自行錄製一段說話的聲音，訓練為模型，再讓RVC WebUI轉換，變成另外一個人說話的聲音。RVC WebUI的作者確實有做了一個變聲器的小軟體go-realtime-gui.bat，能夠搭配OBS Studio直播使用，實現即時變聲，但只適用Windows。若要在Linux與macOS使用RVC做即時變聲器，那麼這個專案Realtime Voice Changer Client比較合適。
另外，RVC WebUI沒有文字轉語音的功能，你得準備一段錄音讓他複製。若要複製聲音唸出指定文字的，建議使用RVC-Boss/GPT-SoVITS-WebUI。
2. RVC WebUI的處理步驟
使用之前，你需要準備預先訓練好的人聲模型，或者是一段人聲錄音，讓RVC WebUI學習。
RVC WebUI沒有生成音樂的功能，曲子要另外準備。
然後，你要準備另一段要模仿的對象的人聲音訊，RVC WebUI將將提供的人聲複製過去，生成新的人聲音檔。
如果你覺得純音訊的素材很難找，RVC WebUI作者已經幫你考慮過這個問題了。RVC WebUI內建UVR (Ultimate Vocal Remover)模型，能夠快速將人聲和伴奏音樂分離出來。這樣的話你只要準備一首歌曲的音檔，便能取得該曲子的純人聲與純音樂了。
一切處理完成後，你要手動用Audacity將RVC WebUI產生的檔案合併。
3. RVC WebUI硬體需求
RVC WebUI支援Linux、Windows、macOS系統。
本軟體可以透過Nvidia或AMD或Intel的GPU加速運算。
推理，也就是複製人聲，需要VRAM >=4GB
訓練自訂人聲的模型，需要VRAM >=6GB
4. 安裝RVC WebUI
參照Github安裝指示。Linux需要自行建立Python環境，至於Docker版要自己包。
- 以Ubuntu為例，安裝ffmpeg和aria2，等會會用到
sudo apt install ffmpeg aria2
-
Nvidia GPU需要安裝CUDA
-
安裝Anaconda
-
建立Python 3.8的環境
conda create -n rvc-webui python=3.8conda activate rvc-webui
- 複製RVC WebU儲存庫
git clone https://github.com/RVC-Project/Retrieval-based-Voice-Conversion-WebUI.gitcd Retrieval-based-Voice-Conversion-WebUI
- 安裝Nvidia GPU所需的依賴套件
pip install torch torchvision torchaudio# 防止fairseq conflict，需要降級pip版本 https://github.com/RVC-Project/Retrieval-based-Voice-Conversion-WebUI/issues/2452
pip install "pip<24"pip install -r requirements.txt# 解決Gradio版本太舊的問題 https://github.com/RVC-Project/Retrieval-based-Voice-Conversion-WebUI/issues/2355
pip install gradio==3.48.0
- 執行指令稿，下載需要的模型
./tools/dlmodels.sh
- 手動下載rmvpe模型，放到RVC專案的目錄
wget https://huggingface.co/lj1995/VoiceConversionWebUI/blob/main/rmvpe.pt
- 啟動RVC WebUI，瀏覽器應該會自動開啟
http://localhost:7865
python infer-web.py
5. 用UVR分離人聲與音樂
#
這裡準備的是「被模仿的人聲」。
-
從歌曲抽取出人聲，或者準備一段清晰的錄音。譬如，我利用yt-dlp下載YouTube的歌曲，轉檔為mp3。
-
將該檔案放到RVC WebUI程式所在目錄的
/dataset
Retrieval-based-Voice-Conversion-WebUI
├── dataset
│ └── high-and-dry.mp3
-
開啟RVC WebUI，進入伴奏人聲分離頁面。左邊輸入歌曲檔案路徑，模型使用
HP5_only_main_vocal，用於分離人聲與音樂。  -
點選轉換，處理後的檔案即會輸出到RVC WebUI程式所在目錄的
/opt之下。裡面vocal-開頭的檔案即分離出來的純人聲，instrumental-為純音樂。
Retrieval-based-Voice-Conversion-WebUI
├── opt
│ ├── instrumental-high-and-dry.mp3
│ └── vocal-high-and-dry.mp3
6. 下載RVC人聲模型
訓練人聲模型需要準備許多音檔，並且要調參數，很耗費時間。
我這裡使用預先訓練好的模型檔，網路上有很多站點提供下載。
譬如，下載Tump RVC模型，得到model.pth和model.index檔案。
将model.pth 放置在 ./assets/weights/model.pth
将model.index别名后放置在 /log/model/add_model.index
注意文件的对应关系。
7. 複製歌曲人聲
-
進入RVC WebUI的模型推理頁面
-
推理音色，選取剛剛下載的川普人聲模型(
model.pth) -
變調，如果原本兩個人的聲音差距不是很大，維持預設。
-
待處理音頻檔案路徑，輸入要模仿的人聲路徑。
-
最後輸入川普人聲模型index檔案路徑(
model.index) -
點選轉換，等待處理完成。
-
完成後，點畫面右下角播放器，下載處理好的檔案。
8. 將新人聲與音樂合起來
這個可以用Audacity處理。
把人聲以及純音樂兩個檔案拖進去，成為二個音軌，試聽效果。再點選檔案 → 匯出聲音，完成合併。