专业语音模型定制

RVC — "轻量级变声、翻唱引擎"，让 AI 变声、翻唱变得前所未有的简单。它就像是 SVC 大家庭里异军突起的一位天才后辈，凭借独特的"检索"技术——简单说，就是在模型内部构建了一个灵动的"声音素材宝库"，转换时可以随时从里面找到最合适的声音片段，学习训练预制的音色、巧妙拼接——从而实现了效率与质量的出色平衡。这种巧妙的设计让模型体积变得十分轻巧，训练速度飞快，哪怕是一台普通的 4060 笔记本电脑也能轻松驾驭，真正把 AI 变声从"高端硬件专属"变成了"人人皆可上手的日常工具"。正因如此，RVC 迅速火遍社区，成为目前 AI 翻唱和实时变声领域当之无愧的"主力选手"。

SVC — 歌声转换的统称，可以理解为"专业录音工作室"里的老师傅。它的核心任务，就是把歌手 A 唱的某一首歌，完整地、高质量地转变成歌手 B 的音色。这类模型对声音细节的捕捉非常敏锐，能把歌手最细微的嗓音特征、气息和情感都保留下来。但代价是，它对硬件要求极高，处理时间长，就像一部"重型跑车"。

推荐新用户使用「RVC」，训练快、门槛低；追求极致音质且有高端显卡可选「SVC」

干声（Dry Vocal）是指去除伴奏、背景音乐和环境噪音后的人声纯净音频。训练模型时使用干声，可以让模型专注学习目标人声的音色特征，避免将伴奏、混响等无关信息混入模型中。干声质量越高（无噪音、无混响、清晰度高），训练出的模型音色还原度就越好。如果没有干声素材，我们也提供干声提取服务。

训练（Training）是让 AI 学习目标音色的过程——输入大量干声素材，模型通过反复学习提取音色特征，最终生成一个专属模型文件。推理（Inference）则是使用训练好的模型进行实际应用——将任意音频输入模型，输出替换为目标音色的新音频。简单来说：训练是"教会 AI 你的声音"，推理是"让 AI 用你的声音去唱歌/说话"。

歌曲分离（也叫人声分离、伴奏提取）是将一首完整歌曲拆分为人声和伴奏的技术。常用工具如 UVR5（Ultimate Vocal Remover）、Replay 等利用 AI 模型实现高质量分离。这是 AI 翻唱流程的第一步：先用歌曲分离提取出干声（用于训练或直接推理），再用伴奏和替换后的干声合并，即可完成一首翻唱作品。

推理仅需 4GB 以上显存的 NVIDIA 显卡即可流畅运行（GTX 1650 及以上即可满足）。模型训练建议使用 RTX 3060 12GB 或更高配置的 NVIDIA 显卡；显存越大，训练速度越快，同时也能支持更长的音频素材进行训练。RTX 4060 Ti 16GB 是目前性价比很高的训练选择。

根据干声音频时长和显卡性能不同，通常需要 3 小时至 8 小时不等。音频素材质量越高、时长越充足（建议 15-30 分钟以上），训练效果越好。训练过程中软件会实时展示 Loss 曲线，降至稳定值即可停止。

使用训练好的模型进行推理，一首 3-4 分钟的歌曲通常只需几秒到十几秒即可完成音色替换，具体取决于音频长度和显卡性能。之后将替换后的干声与伴奏合并，一首完整的 AI 翻唱作品就完成了。

一对一指导通常 1-2 小时即可掌握基础流程，包括：干声准备与预处理、模型训练参数设置、推理操作与调参、后期混音合并。后续遇到问题可随时咨询，我们会持续提供技术支持。

建议提供 15-30 分钟的清晰干声音频。素材需要覆盖不同的音高和情感表达（说话、正常音区、高音区等），这样训练出的模型在各种场景下表现更稳定。音频时长越长、音质越高，模型效果越好。

支持。使用 w-okada 等开源变声器工具加载 RVC 模型后，可以实现低延迟实时变声，适用于语音通话、游戏开麦、直播等场景。延迟通常在 100-300ms 之间（取决于硬件性能），咬字清晰度高，日常使用体验流畅自然。

RVC 是声音转换模型，需要输入一段已有音频才能替换音色（音色对音色）；GSV 是文本转语音（TTS）模型，只需输入文字就能生成目标音色的语音（文字对音色）。简单来说，RVC 适合翻唱歌曲和实时变声，GSV 适合有声书配音、虚拟主播对话等场景，两者适用方向不同。

可以。GSV 支持通过标注数据实现情感语音合成，训练时在文本标注中加入情感标签（如开心、悲伤、愤怒、温柔等），推理时选择对应的情感参数即可生成带有不同情感色彩的语音，效果非常自然。

推理与 RVC 类似，4GB 显存即可。训练建议 RTX 3060 12GB 或以上，GSV 模型结构比 RVC 更复杂，对显存需求略高。推荐 RTX 4060 Ti 16GB 或更高配置以获得更好的训练效率。

目前主要支持 NVIDIA 显卡（CUDA 加速），这是性能最优的方案。AMD 显卡（A 卡）和 Intel 显卡（I 卡）可以通过 ONNX Runtime 进行推理，但速度较慢。MAC 用户（Apple Silicon M 系列）可通过 MPS 加速获得一定的性能提升，但训练效率仍不及同价位 NVIDIA 方案。

完整流程共六步：1. 收集目标角色的干声素材 → 2. 音频预处理（降噪、切片、转码） → 3. 模型训练（输入干声，AI 学习音色） → 4. 推理测试（用模型替换试听音频的音色） → 5. 导入目标歌曲，用歌曲分离提取伴奏和原唱干声 → 6. 用模型推理替换原唱干声，合并伴奏输出成品。

训练出的模型仅供个人学习和娱乐使用。若需用于商业项目（如广告配音、游戏角色语音、虚拟偶像等），请确保已获得目标音色素材的合法授权。使用翻唱作品发布到公开平台时，也需注意原曲的版权许可。

48kHz 模型采样率更高，能捕捉更丰富的高频细节，音质更通透饱满，适合对音质要求较高的场景（如音乐制作、专业翻唱）。40kHz 模型体积更小、推理速度略快，日常使用效果已经很好。目前主流趋势是 48kHz，我们默认训练 48kHz 高音质模型。