一站式二创素材工具箱：把「找素材 → 处理 → 出成品」串成一条线。 10 个工具收在一个界面，三套 AI 声音引擎本地运行，装好后不联网也能用。
▶ 1 分钟演示：https://www.bilibili.com/video/BV12Sn36cE8j
| 步 | 做什么 |
|---|---|
| 1 | 下载本仓库（绿色 Code → Download ZIP），解压到任意目录 |
| 2 | 双击 安装.bat —— 不用先装 Python，它会自己装 |
| 3 | 双击 启动.bat |
升级时双击 升级.bat。要求：Windows 10/11 64 位、NVIDIA 显卡（建议 8 GB 显存）、
约 20 GB 磁盘。全程不需要梯子。
| 工具 | 说明 |
|---|---|
| 🎵 音频提取 | 从视频里抽出音频，支持批量、三种输出格式 |
| 🎤 人声分离 | 拆成人声 + 伴奏（Demucs），训练素材去 BGM 用 |
| 📊 响度标准化 | 音量统一到平台标准（-14 LUFS 等），避免上传后被压 |
| 💬 字幕识别 | 音视频转文字，输出 SRT + TXT（Whisper） |
| 🔗 素材网站 | 常用素材站导航，可自己增删 |
| 工具 | 说明 |
|---|---|
| 🎙 AI 变声 | 换音色、整曲换主唱。零样本，给段参考音频就能用（Seed-VC） |
| 📚 音色库 | 音色预设管理：素材 + 参数一起存，一键调用 |
| 📖 AI 朗读 | 打字，用指定音色念出来（GPT-SoVITS） |
| 🎛 RVC 变声器 | 训练专属音色模型，原版 WebUI |
用户自己添加的 .exe / .bat / 文件夹，点一下启动。 适合把 ComfyUI、剪辑软件这些常用工具也收进来。
这个工具箱里其实有三套不同的 AI 声音技术，各有适用场景：
| 需求 | 用什么 | 要训练吗 | 参考音频 |
|---|---|---|---|
| 快速试音色 | AI 变声（Seed-VC） | ❌ 零样本 | 需要，5~25 秒 |
| 固定角色长期用 | RVC | ✅ 训一次，永久用 | 不需要 |
| 只有文字没有人声 | AI 朗读（GPT-SoVITS） | ❌ 零样本，也可训练 | 需要 |
它们不是替代关系，是互补的。 而且模型互不通用 —— 同一个角色要做「变声」和「朗读」，得分别准备。
| 项目 | 要求 |
|---|---|
| 系统 | Windows 10 / 11，64 位 |
| 显卡 | NVIDIA，建议 8 GB 显存以上 |
| 磁盘 | 约 20 GB（含引擎和模型） |
| Python | 3.12（64 位）· 3.10 / 3.11 也可以 |
| 内存 | 16 GB 建议 |
- 只支持 NVIDIA。Seed-VC 和 GPT-SoVITS 依赖 CUDA，AMD 显卡跑不了。
- RTX 50 系（Blackwell / sm_120）需要 PyTorch 2.7+ 且带 cu128 内核。 低版本 PyTorch 在这代卡上装不上或跑不起来。
- 显存小于 6 GB 时，训练类功能会很紧张。
请用 Python 3.12（64 位）。
- 3.10 / 3.11 也能跑。
- 3.13 不行：
funasr、pymss、opencc这些依赖还没有 3.13 的 Windows wheel，会装到一半失败。setup.py在体检那一步就会拦住并提示。 - 机器上有多个 Python 时，用
py -3.12 setup.py指定版本。
装 Python 时务必勾选 Add Python to PATH，装完敲 python -V 确认。
解压本仓库，双击 安装.bat 即可，不需要先装 Python。
机器上没有 Python 3.10~3.12 时，它会自动下载 Python 3.12 并只给当前用户
静默安装（约 26 MB，不需要管理员权限），装完接着跑完整流程。
已经有 Python 时按顺序挑：已有的 .venv → py -3.12 → PATH 上的
python（版本合适才用）。
等价的手工命令（想看到全部参数时用）：
python setup.py它会依次做这些事，每一步都可以单独重跑：
| 步骤 | 内容 |
|---|---|
| 0 | 体检 —— 读显卡型号、驱动版本、显存、磁盘，判断能不能装 AI 功能 |
| 1 | 下载 ffmpeg（约 100 MB） |
| 2 | 建 .venv 并按显卡装对应版本的 PyTorch |
| 3 | 装依赖（自动测速选最快的 pip 源） |
| 4 | 下载三套引擎（约 700 MB） |
| 5 | 下载模型权重（约 9 GB） |
| 6 | 建子环境 + 装各引擎自己的依赖 + 应用兼容修补 |
几个有用的参数：
python setup.py --check # 只体检，不改任何东西
python setup.py --core # 只装核心（音频工具，不碰 AI）
python setup.py --step env # 只跑某一步（失败后重试用）
python setup.py --yes # 不交互，全自动中途断了怎么办：重新跑 python setup.py，已完成的步骤会跳过。
想彻底重来，删掉 logs\setup-state.json。
点开看完整手动步骤
nvidia-smi记录驱动版本 —— 它决定能用哪个 CUDA：
| 驱动版本 | 最高 CUDA |
|---|---|
| ≥ 570 | 12.8（50 系必需） |
| 530 ~ 569 | 12.1 |
| 520 ~ 529 | 11.8 |
50 系（RTX 5060/5070/5080/5090）：
python -m pip install torch==2.7.0 torchaudio==2.7.0 --index-url https://download.pytorch.org/whl/cu12840 系及更早：
python -m pip install torch torchaudio --index-url https://download.pytorch.org/whl/cu121验证：
python -c "import torch; print(torch.cuda.is_available(), torch.cuda.get_device_name(0))"python -m venv .venv
.venv\Scripts\pip install -r requirements.txt --index-url https://mirrors.pku.edu.cn/pypi/simple用 zip，不要 git clone —— git clone github.com 在国内经常连不上，
而 zip 能下（这也是 setup.py 的做法）：
# 三个 zip，浏览器直接下：
# https://github.com/Plachtaa/seed-vc/archive/refs/heads/main.zip
# https://github.com/RVC-Boss/GPT-SoVITS/archive/refs/heads/main.zip
# https://github.com/RVC-Project/Retrieval-based-Voice-Conversion-WebUI/archive/refs/heads/main.zip
#
# 解压后**去掉最外层那个 repo-main 目录**，把里面的内容放进：
# src\seed-vc-main
# tools\tts\engine
# tools\rvc\engine.venv\Scripts\python download_models.py
.venv\Scripts\python download_rvc_models.py
.venv\Scripts\python download_tts_models.py.venv\Scripts\python -m venv --system-site-packages tools\tts\venv
.venv\Scripts\python -m venv --system-site-packages tools\rvc\venv然后把 .venv\Lib\site-packages 的路径分别写进：
tools\tts\venv\Lib\site-packages\_shared_from_voice.pth
tools\rvc\venv\Lib\site-packages\_shared_from_voice.pth
双击 启动.bat
一键更新（推荐）：先退出工具箱，然后双击 升级.bat。
它自动完成：从 GitHub 取最新代码 → 只覆盖代码文件（旧文件先备份到
logs\code-backup\）→ 跑一遍 setup.py，只装变化了的部分。你不用选目录、
也不用担心多出一层文件夹。
- 只想看看有没有新版：
python update.py --check - GitHub 连不上：自己下 zip，然后
python update.py --zip 路径\voiceconv-main.zip
手动方式（不用脚本）：解压新版本到临时目录，进入里面的
voiceconv-main\，全选复制，粘到原来 启动.bat 所在的那一层，
弹窗选「替换目标中的文件」。注意别让目录里多出一层 voiceconv-main\。
两种方式都只动代码：.venv / 引擎 / 权重 / 你的成品 / 音色预设都不动。
素材网站列表存在 data\sites.local.json，也不会被覆盖。
升级前先退出工具箱，否则文件被占用会失败。
如果只用「音频提取 / 响度标准化 / 素材网站」这三个， 不需要装 PyTorch 和任何引擎 —— 它们只依赖 ffmpeg：
- 下载 ffmpeg，把
ffmpeg.exe和ffprobe.exe放进bin\目录 - 双击
启动.bat
这三个工具在纯 CPU 机器上也能跑。
- 点「🎙 AI 变声」
- ① 选要变声的音频
- ② 选音色参考音频（5~25 秒干净人声）
- 点「存为预设」起个名字 —— 以后不用再找素材
- 点「开始变声」
首次要加载模型（1~3 分钟），之后每次约 15 秒。
- 点「🎙 AI 变声」
- 选音色 → 选整首歌
- 类型选「整曲换人声（保留伴奏）」
- 它会自动做三步：分离人声 → 变声 → 混回伴奏
人声盖住伴奏时：调低「人声增益」（默认 1.0，试 0.55）。
- 素材放
data\datasets\<角色名>\（5~10 分钟同角色人声） - 点「🎛 RVC 变声器」→ 启动 RVC
- 在 WebUI 的训练页操作：填实验名 → 一键处理数据 → 特征提取 → 训练 → 训练特征索引
- 训练完，模型会出现在 RVC 的模型下拉里
详细参数见 训练素材要求.md。
voiceconv\
├── 启动.bat 入口
├── 安装.bat 一键安装（挑解释器 + 跑 setup.py）
├── 升级.bat 一键更新（取最新代码 + 跑 setup.py）
├── update.py 更新逻辑
├── launcher.py 工具箱主界面
├── oneclick.py AI 变声
├── convert.py 单条变声（命令行）
├── song.py 整曲换主唱（分离+变声+混音）
├── prepare_dataset.py 训练数据准备（切片 + Whisper 自动标注）
├── train_model.py GPT-SoVITS 训练流水线
├── download_*.py 模型权重下载
├── shared\ 共用模块
│ ├── paths.py 路径定义 + 子环境路径自愈
│ ├── theme.py 配色和字体
│ ├── presets.py 音色预设
│ ├── links.py 外部软件列表
│ ├── vram.py 显存监控
│ ├── training_spec.py 训练素材要求（单一事实来源）
│ ├── tools_registry.py 工具注册表
│ └── opener.py 打开文件/网址（多级回退）
├── tools\ 各工具的界面
│ ├── audio\ 音频提取 / 人声分离 / 响度 / 字幕
│ ├── voice\ 变声 / 音色库
│ ├── tts\ AI 朗读
│ ├── rvc\ RVC 入口
│ └── sites\ 素材网站
├── data\ 配置（预设、网站列表）
├── io\output\ 所有成品
├── bin\ ffmpeg
├── src\ Seed-VC 引擎（需自行下载）
└── models\ 权重缓存
变声、朗读、RVC 各自需要不同版本的依赖（比如 GPT-SoVITS 要
transformers 4.57，RVC 要 4.49，两者不能共存）。
所以做了三个虚拟环境。但 PyTorch 有 5.4 GB，装三份太浪费 ——
后两个环境用 --system-site-packages + 一个 .pth 文件指向
.venv 的包目录，这样它们能看见 torch，但自己装的包不会污染回去。
上面的做法有个副作用：.pth 和 pyvenv.cfg 里写死了 .venv 的绝对路径。
项目一旦改名或移动，「变声/朗读/RVC」会全部报错，而界面上看不出原因。
shared/paths.py 里的 fix_venv_paths() 会在每次启动时检查并修正这两处，
所以改名、移动、换盘符都能正常用。
三个 AI 工具都要吃显存，而显存是按进程隔离的。
- 启动器底部常驻显示整卡占用（读
nvidia-smi，能看到所有进程） - 每个工具内部有「释放显存」按钮，只释放自己进程的
- 关闭工具时自动释放
- 训练前会按显存给出 batch size 建议
大概率装成了 CPU 版。查一下：
python -c "import torch; print(torch.__version__)"带 +cpu 就是 CPU 版，卸载重装 正确的 CUDA 版。
模型缓存目录没写权限。代码里已经把 HF_HOME / TORCH_HOME 指到项目内，
如果还报错，手动设环境变量：
set HF_HOME=D:\你的路径\voiceconv\models\hfcache
set TORCH_HOME=D:\你的路径\voiceconv\models\torch- 参考音频质量最关键 —— 5~25 秒、干净、无 BGM
- 换「说话·更像参考」模式
- 调「音色相似度」（越高越像，但可能不自然）
- 用 RVC 训练专属模型，效果通常更好
变声后的人声可能比原来响 69 dB。调低「人声增益」到 0.50.6。
调小 batch size：
python train_model.py --character 角色名 --batch-gpt 4 --batch-sovits 2已完成的步骤会自动跳过，不用从头来。
不能。 变声和朗读依赖 CUDA。纯音频工具（提取 / 响度 / 素材网站）可以， 但那三个本来也不需要 GPU。
这个项目本身只做整合和界面，所有 AI 能力都来自下面这些项目：
| 项目 | 用途 | 许可证 |
|---|---|---|
| Seed-VC | 零样本变声 | GPL-3.0 |
| GPT-SoVITS | 语音合成 | MIT |
| RVC | 训练式变声 | MIT |
| Demucs | 人声分离 | MIT |
| Whisper | 语音识别 | MIT |
| FFmpeg | 音视频处理 | LGPL / GPL |
本仓库不包含上述项目的代码和模型权重，需要按安装步骤自行下载。
采用 GPL-3.0 是因为核心功能依赖 Seed-VC（GPL-3.0）， 按 GPL 的传染性，本项目也需要使用同一许可证。
本项目仅供个人学习与创作使用。使用他人声音训练模型、或生成模仿他人 的内容时，请自行确认素材授权与当地法律法规。生成内容的相关责任由使用者承担。