Retrieval-based-Voice-Conversion-WebUI/docs/cn/cli.md

RVC 命令行训练与离线推理

English documentation

本文档只介绍 RVC 的训练和离线音色转换。PyMSS/UVR5 音源分离使用另一套 CLI。

运行目录

所有命令均在实际安装的项目根目录执行。将下面的占位内容替换为自己的路径：

Set-Location "<RVC项目根目录>"

选择项目内置 Python 或已经安装好项目依赖的系统 Python。只保留其中一行：

$PYTHON = "runtime\python.exe"  # 项目内置 Python
# $PYTHON = "python"            # 系统 Python
& $PYTHON --version

单说话人与多说话人的关系

模型训练核心始终包含说话人 ID 嵌入，因此从模型结构角度看，多说话人训练覆盖单说话人场景。只含一个 ID 的多说话人清单也可以训练。

当前项目仍然保留两套明确的数据约定：

项目	单说话人	多说话人
数据入口	目录第一层的音频文件	根目录下的 名称_ID_重复次数 子目录
说话人 ID	训练时统一指定一个 ID	每条音频由 manifest 指定 ID
小模型元数据	不写 speaker_info	写入名称和 ID 的 speaker_info
推理控件	默认 ID 0，可显式指定其他有效 ID	显示名称和 ID，默认最小 ID
总特征文件	total_fea.npy	每人一份 total_fea_spkid<ID>.npy
added 索引	普通索引文件名	每人一份 _spkid<ID>.index

只有一个音色时建议使用单说话人模式。需要在同一模型中按名称切换音色时使用多说话人模式。

训练流程

训练阶段依次为：数据切分、F0 提取、HuBERT 特征提取、模型训练、索引训练。

单说话人数据切分

& $PYTHON train\preprocess.py "训练集目录" 40000 8 "logs\实验名" False 3.7

参数依次为输入目录、采样率、进程数、实验目录、是否关闭多进程、切分参数。

多说话人 manifest 与数据切分

子目录格式为 名称_ID_重复次数，ID 范围为 0~109。

& $PYTHON -c "from tools.multispeaker import build_manifest_from_root,write_manifest; write_manifest(r'logs\实验名',build_manifest_from_root(r'训练集总目录'))"

& $PYTHON train\preprocess.py "" 40000 8 "logs\实验名" False 3.7 "logs\实验名\multispeaker_manifest.json"

重复次数只在最终 filelist.txt 中重复训练记录，不会重复执行切分、F0 或 HuBERT 特征提取。

F0 提取

CPU + PM：

& $PYTHON train\dataset\extract_f0.py cpu "logs\实验名" 8 pm

CPU + RMVPE：

& $PYTHON train\dataset\extract_f0.py cpu "logs\实验名" 8 rmvpe

CUDA + RMVPE：

& $PYTHON train\dataset\extract_f0.py cuda 1 0 0 "logs\实验名" true

CUDA 参数依次为总进程数、当前进程序号、GPU ID、实验目录和半精度开关。多个进程需要分别启动不同的当前进程序号。

DirectML + RMVPE：

& $PYTHON train\dataset\extract_f0.py dml "logs\实验名"

HuBERT 特征提取

CUDA：

& $PYTHON train\dataset\extract_hubert_feature.py cuda:0 1 0 0 "logs\实验名" v2 true

CPU：

& $PYTHON train\dataset\extract_hubert_feature.py cpu 1 0 "logs\实验名" v2 false

DirectML：

& $PYTHON train\dataset\extract_hubert_feature.py privateuseone:0 1 0 "logs\实验名" v2 false

准备 config.json 和 filelist.txt

train.py 启动前必须存在：

logs\实验名\config.json
logs\实验名\filelist.txt

单说话人带 F0 的每行格式：

wav路径|HuBERT特征路径|粗F0路径|连续F0路径|说话人ID

多说话人带 F0 的每行格式：

wav路径|HuBERT特征路径|粗F0路径|连续F0路径|说话人ID|说话人名称

无 F0 时分别去掉两个 F0 路径字段。多说话人的 config.json 还需要：

{
  "model": {
    "spk_embed_dim": 110
  },
  "speaker_info": [
    {"id": 0, "name": "说话人A"},
    {"id": 1, "name": "说话人B"}
  ]
}

WebUI 的“训练模型”和“一键训练”会自动生成这两个文件；纯 CLI 流程需要在执行 train.py 前准备好它们。

模型训练

& $PYTHON train\train.py -e "实验名" -sr 40k -f0 1 -bs 8 -g 0 -te 200 -se 5 -pg assets\pretrained_v2\f0G40k.pth -pd assets\pretrained_v2\f0D40k.pth -l 0 -c 0 -sw 1 -v v2

常用参数：

参数	含义
-e	实验名，对应 logs\实验名
-sr	32k、40k 或 48k
-f0	1 使用 F0，0 不使用
-bs	每张卡的 batch size
-g	GPU ID，例如 0 或 0-1；CPU 训练时可省略
-te	总 epoch，最大 1200
-se	保存间隔 epoch
-l	1 只保留最新大 checkpoint
-c	1 缓存训练集到显存
-sw	1 同时保存推理小模型
-v	v1 或 v2

索引训练

单说话人：

& $PYTHON train\train_index.py "实验名" v2 "assets\indices" 8 single

多说话人：

& $PYTHON train\train_index.py "实验名" v2 "assets\indices" 8 multi

多说话人模式不是把所有人的特征混成一个索引。脚本会按说话人 ID 分组，为每个说话人分别生成 total_fea_spkid<ID>.npy、trained_..._spkid<ID>.index 和 added_..._spkid<ID>.index。因此模型中每个说话人都有自己的一份索引；推理选择说话人后，应使用该 ID 对应的 added 索引。

自动按 manifest 判断：

& $PYTHON train\train_index.py "实验名" v2 "assets\indices" 8 auto

离线推理 CLI

入口为 infer/cli.py。

查看帮助：

& $PYTHON infer\cli.py --help

查看模型的说话人

& $PYTHON infer\cli.py --model "assets\weights\模型.pth" --list-speakers

带 speaker_info 的多说话人模型会输出 ID 和名称。旧模型或单说话人模型会输出可用 ID 范围。

单说话人模型推理

& $PYTHON infer\cli.py `
  --model "assets\weights\单说话人.pth" `
  --input "D:\input.wav" `
  --output "D:\output.wav" `
  --pitch 0 `
  --f0-method rmvpe `
  --index-rate 0.75

单说话人默认使用 ID 0。旧模型含多个未命名 ID 时可通过 --speaker-id 指定。

多说话人模型推理

省略 --speaker-id 时使用 checkpoint 中最小的说话人 ID，并自动匹配该 ID 的 _spkid<ID>.index：

& $PYTHON infer\cli.py `
  --model "assets\weights\多说话人.pth" `
  --input "D:\input.wav" `
  --output "D:\output.wav" `
  --index-rate 1

指定说话人：

& $PYTHON infer\cli.py `
  --model "assets\weights\多说话人.pth" `
  --speaker-id 1 `
  --input "D:\input.wav" `
  --output "D:\output.wav" `
  --index-rate 1

批量推理

目录输入只扫描当前层；加入 --recursive 后递归扫描并保留相对目录：

& $PYTHON infer\cli.py `
  --model "assets\weights\模型.pth" `
  --speaker-id 0 `
  --input "D:\input_audio" `
  --output "D:\output_audio" `
  --format flac `
  --recursive `
  --overwrite

支持的输出格式为 wav、flac、mp3 和 m4a。输入扩展名判断不区分大小写。

索引规则

• 省略 --index：按模型名和说话人 ID 自动匹配 added 索引。
• 指定 --index：使用该路径；trained 文件名会转换为对应 added 文件名。
• --index-rate 大于 0 且索引不存在：命令以错误退出，不执行静默降级。
• 不使用索引：传入 --index-rate 0。

常用推理参数：

参数	默认值	含义
--speaker-id	单说话人 0；多说话人最小 ID	推理说话人
--pitch	0	半音变调
--f0-method	rmvpe	pm 或 rmvpe
--index-rate	0.75	索引检索占比
--resample-sr	0	输出重采样率，0 表示模型采样率
--rms-mix-rate	1.0	输出音量包络混合比例
--protect	0.33	清辅音和呼吸声保护，范围 0~0.5
--overwrite	关闭	覆盖已有输出

正常完成返回退出码 0；发生推理失败返回 1；用户中断返回 130。

WebUI 当前 PyMSS 模型推理 CLI

这里只列出 WebUI“人声伴奏分离&去混响”页面实际提供的 5 个模型。PyMSS 必须以模块方式调用：

& $PYTHON -m tools.pymss.cli infer --help

WebUI 名称与 CLI 模型名对应如下：

WebUI 处理方式	CLI 模型名
去混响	dereverb_mel_band_roformer_less_aggressive_anvuew_sdr_18.8050.ckpt
去混响（激进）	dereverb_mel_band_roformer_anvuew_sdr_19.1729.ckpt
去伴奏	model_bs_roformer_ep_368_sdr_12.9628.ckpt
去伴奏（激进）	model_bs_roformer_ep_317_sdr_12.9755.ckpt
提主旋律	model_mel_band_roformer_karaoke_aufr33_viperx_sdr_10.1956.ckpt

--input 可以是单个音频文件或文件夹，--output 必须是输出文件夹。模型文件在 CLI 缓存中不存在时会自动下载。

去混响

& $PYTHON -m tools.pymss.cli infer `
  "dereverb_mel_band_roformer_less_aggressive_anvuew_sdr_18.8050.ckpt" `
  --input "<输入音频或目录>" `
  --output "<输出目录>" `
  --device auto `
  --format flac

去混响（激进）

& $PYTHON -m tools.pymss.cli infer `
  "dereverb_mel_band_roformer_anvuew_sdr_19.1729.ckpt" `
  --input "<输入音频或目录>" `
  --output "<输出目录>" `
  --device auto `
  --format flac

去伴奏

& $PYTHON -m tools.pymss.cli infer `
  "model_bs_roformer_ep_368_sdr_12.9628.ckpt" `
  --input "<输入音频或目录>" `
  --output "<输出目录>" `
  --device auto `
  --format flac

去伴奏（激进）

& $PYTHON -m tools.pymss.cli infer `
  "model_bs_roformer_ep_317_sdr_12.9755.ckpt" `
  --input "<输入音频或目录>" `
  --output "<输出目录>" `
  --device auto `
  --format flac

提主旋律

& $PYTHON -m tools.pymss.cli infer `
  "model_mel_band_roformer_karaoke_aufr33_viperx_sdr_10.1956.ckpt" `
  --input "<输入音频或目录>" `
  --output "<输出目录>" `
  --device auto `
  --format flac

目录批处理时加入 --save-as-folder，可为每个输入音频建立单独的结果子目录。CUDA 可以将 --device auto 换成 --device cuda --device-id 0；CPU 可以换成 --device cpu。输出格式支持 wav、flac、mp3 和 m4a。