准备工作。

首先你要有一台配置还行的电脑，最好是Windows系统加NVIDIA显卡，显存至少4GB以上才能跑得动v2版。RVC全称Retrieval-based Voice Conversion，v2版本优化了训练速度和音质。你需要先安装Python环境，推荐Anaconda，版本3.8或3.9都行。然后打开命令行，用pip或conda安装pytorch，注意要根据你的显卡驱动选CUDA版本。我踩过坑，装了CPU版结果训练慢到崩溃，千万别学我。

下载RVC项目。

去GitHub搜“RVC-Project”或“RVC v2”，找到官方仓库。v2分支有完整的训练和推理脚本。直接git clone或者点Download ZIP。解压后你会看到一堆文件夹，比如“weights”“datasets”“logs”这些。别乱动，后面会用到。记得把项目放在纯英文路径下，不然中文路径会报错，这个坑我补了三天。

准备原神角色语音素材。

你想训练哪个角色就去游戏里录或者网上找。比如要复刻“雷电将军”的声音，最好收集她语音包，包括普攻、技能、待机、剧情对话等，总时长建议1小时以上。格式转成wav，采样率24kHz，单声道。如果素材里有背景音乐或混响，先用人声分离工具处理干净。我用的UVR5，效果不错。注意每个音频文件不要超过10秒，太长会爆显存。

训练环境配置。

打开终端cd到项目目录，先运行“python tools/down_ckpt.py”自动下载预训练基础模型。v2需要model_v2.pt和hub文件夹里的内容。然后编辑“configs/v2/model.yaml”文件，修改“dataset_path”为你的素材文件夹路径。还有“batch_size”调小一点，比如4或8，根据显存来。我的3060显存12GB，batch_size设16就炸了，后来改成8稳得很。

开启训练。

在项目根目录执行“python train.py -m v2 -c configs/v2/model.yaml”。首次训练会先做预处理，把音频切分成小片段并提取特征，这个过程很慢，十几分钟到一小时不等。别急，喝杯奶茶等它跑完。之后训练开始，你会看到loss值逐渐下降。一般迭代10万步左右就能听出明显效果。我建议每5000步去“logs/v2”文件夹里听一下生成的样本，方便调整参数。

微调技巧。

如果你发现训练出来的声音像机器人，可能是素材干净度不够。v2版本有个“total_training_steps”参数，默认20万步，但过拟合也会失真。我通常先跑10万步看看效果，如果太假就减少步数，或者增加素材量。另外“learning_rate”默认2e-4，如果素材少可以降到1e-4。记得把“use_fea_augment”改成True，随机调整音调能提升泛化能力。

推理生成语音。

训练完成后，进入“tools”文件夹，运行“inference_webui.py”启动网页界面。在浏览器打开本地地址，加载你的模型文件，拖入一段你想要转换的原始语音，比如你自己读的台词。点击转换，等几秒就能听到原神角色的声音了。注意原始语音的语速和情感最好接近素材，否则怪怪的。我曾经拿rap去转，结果出来一股电流味，笑哭。

常见错误排查。

训练时报“CUDA out of memory”就降低batch_size或关闭其他程序。如果报“FileNotFoundError”，检查路径有没有空格或中文。还有v2模型对素材采样率要求严格，必须是24kHz，用ffmpeg批量转换一下。最坑的是“NaN loss”，一般是素材里有静音片段，用Audacity批量切除前导无声部分就好。

实战建议。

别贪心一次训练太多角色，v2的模型文件很大，每个角色占用几个G。优先选你最喜欢的角色，比如我做了可莉和钟离。另外分享一个小技巧，先训练一个通用底模，再微调成具体角色，这样迁移学习效果更好。不过底模训练需要更多素材，大佬可以试试。

最后提醒一句，RVC的技术虽然有趣，但不要用于商业侵权或者恶意伪装他人语音。玩游戏图个乐子，自己听或给朋友玩一下就好。祝你在提瓦特大陆收获更多乐子。