Как настроить клонирование голоса локально на своем компьютере через RVC

Клонирование голоса через RVC (Retrieval-based Voice Conversion) настраивается локально на компьютере путём установки приложения, загрузки или обучения модели и обработки аудиофайлов через веб-интерфейс. Процесс занимает 15–30 минут при наличии видеокарты NVIDIA и требует минимальных технических навыков.

Почему может потребоваться RVC

Создание синтетического голоса певца или персонажа для музыкальных проектов без авторских отчислений.
Озвучивание видеоконтента голосом конкретного человека при наличии образца его речи.
Экспериментирование с голосовыми эффектами и трансформацией акцента, пола, возраста говорящего.
Обработка аудио полностью на своём компьютере без загрузки на облачные сервисы (приватность данных).

Пошаговая инструкция по настройке RVC

Скачайте исходный код RVC с GitHub. Откройте браузер, перейдите на github.com/RVC-Project/Retrieval-based-Voice-Conversion, нажмите зелёную кнопку Code и выберите Download ZIP.
Распакуйте архив в удобную папку на системном диске (например, C:\RVC на Windows или ~/RVC на macOS/Linux).
Установите Python версии 3.9 или 3.10. Скачайте с официального сайта python.org и при установке отметьте опцию Add Python to PATH.
Откройте командную строку (на Windows нажмите Win+R, введите cmd, нажмите Enter).
Перейдите в папку RVC командой cd C:\RVC (или путь к вашей папке).
Установите зависимости выполнением команды pip install -r requirements.txt. Дождитесь завершения (может занять 5–10 минут).
Если у вас видеокарта NVIDIA, установите дополнительный пакет pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 для ускорения обработки.
Запустите веб-интерфейс командой python infer-web.py.
Дождитесь появления сообщения в консоли с адресом типа http://127.0.0.1:7865 или http://localhost:7865.
Откройте браузер и перейдите по этому адресу. Загрузится веб-интерфейс RVC.
Скачайте готовую модель голоса. В интерфейсе перейдите на вкладку Model, нажмите кнопку Download Model и выберите голос из списка (например, hugging_face или скачайте с популярного источника, например huggingface.co).
Поместите скачанную модель (файл .pth) в папку weights внутри директории RVC.
На вкладке Inference нажмите Refresh в разделе Model, чтобы приложение обнаружило вашу модель.
Выберите загруженную модель из выпадающего списка.
В поле Upload audio file загрузите аудиофайл (MP3, WAV или другой поддерживаемый формат) с голосом, который нужно преобразовать.
Установите параметр Pitch (высота тона): оставьте 0 для сохранения оригинального тона или отрегулируйте значение (например, +12 для повышения на октаву).
Нажмите кнопку Convert и дождитесь обработки (время зависит от длины аудио и мощности ПК).
После завершения скачайте готовый аудиофайл, нажав кнопку Download или найдя результат в папке outputs.

Часто задаваемые вопросы

Какие минимальные требования к компьютеру? Процессор Intel/AMD с минимум 4 ядрами, 8 ГБ оперативной памяти и видеокарта NVIDIA с 2 ГБ памяти (или работа на CPU, но медленнее в 10–20 раз).

Могу ли я обучить модель на собственном голосе? Да, загрузьте 10–30 минут аудиозаписей вашего голоса в папку datasets, используйте вкладку Train для создания пользовательской модели (процесс займёт 1–3 часа в зависимости от объёма данных).

Почему приложение не запускается после установки? Проверьте версию Python (python --version), переустановите зависимости командой pip install --upgrade -r requirements.txt и убедитесь, что вы находитесь в правильной директории RVC при выполнении команды.

Обработка звука и Музыка