一、前言

如果你手上有一批 MP3 文件，希望在完全本地、保护隐私、不花一分钱的前提下，把里面的人声变成另一种音色，并且确保声音统一不撞车——这篇文章就是为你写的。

全部操作在 Apple Silicon（M1/M2/M3/M4）Mac 上完成，无需 GPU、无需云服务、无需订阅。

二、方案概览

核心流程：

MP3 文件 → 人声分离（UVR5）→ RVC 模型变声 → 导出变声后的文件

三、你需要准备什么

• 一台 Apple Silicon Mac（M1/M2/M3/M4，推荐 16GB+ 内存）
• 待处理的 MP3 文件
• 约 2GB 硬盘空间（程序 + 模型）
• 约 10-20 分钟时间

四、技术原理简介

RVC（Retrieval-based Voice Conversion）是一种基于深度学习的语音转换技术。它的工作方式可以简单理解为：

1. 提取：从原始音频中提取人声的声学特征（音色、音高、节奏等）
2. 映射：将这些特征映射到目标音色空间中
3. 合成：用目标音色重新合成语音

整个过程不需要理解音频本身的内容（语言、语义），只关心声音的"样子"——所以它可以把中文语音变成另一种音色的中文语音，语速、语调、情感都保持不变。

RVC 的核心优势在于：

• 音质损失小：相比早期变声算法，RVC 保留了更多原始录音的情感细节
• 实时可控：可以在音色和音高两个维度上独立调节
• 模型轻量：一个模型通常只有 50-200MB，下载和推理都很快
• 生态丰富：社区贡献了大量预训练模型，不需要自己训练

五、安装 RVC-WebUI-MacOS

5.1 安装依赖

打开终端（Terminal），先安装 Homebrew（如果没有的话）：

/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

安装必要依赖：

brew install ffmpeg python@3.9 aria2

• ffmpeg：音频/视频处理核心工具
• python@3.9：RVC 要求的 Python 版本
• aria2：多线程下载工具，用于加速模型下载

5.2 克隆 RVC-WebUI-MacOS并安装

git clone https://github.com/qingbo1011/RVC-WebUI-MacOS.git
cd RVC-WebUI-MacOS

这个版本是 RVC 官方项目的 macOS 专用分支，主要优化包括：

• CoreML 加速：UVR5 人声分离速度提升 5-10 倍
• MPS 支持：利用 Metal Performance Shaders 做 GPU 加速推理
• 环境修复：解决了 Mac 上常见的各种依赖冲突问题

创建虚拟环境

python3.9 -m venv .venv

激活

source .venv/bin/activate

装 PyTorch

pip install torch torchvision torchaudio

装其他依赖

pip install -r requirements.txt

下载基础模型

python tools/download_models.py

启动

python infer-web.py

启动成功后终端会显示：

Running on local URL:  http://127.0.0.1:7865

用浏览器打开这个地址即可看到 RVC WebUI 界面。

六、下载变声模型

RVC 本身只是一个引擎，变声的效果取决于你加载的模型。模型就是"音色包"——告诉 RVC "把声音变成这个样子"。

6.1 模型去哪找

6.2 如何选模型

模型分为两种：

通用模型：别人用大量混合数据训练的通用音色（如"通用女声"、"通用男声"）。无需额外操作，下载即用。

角色模型：专门模仿某个人物或角色的模型（明星、动漫角色等）。效果更精准但使用范围窄。

6.3 如何避开大众音色

这是很多人关心的点。如果你公开发布作品，不希望和别人撞音色，有三个方法：

方法一：选冷门模型

在 Hugging Face 搜索 RVC 模型时，按下载量排序，选几十到几百次下载的模型。中文社区热门的（几千下载量）容易撞，而下载量小的冷门模型几乎没人用。

方法二：模型融合（推荐）

RVC WebUI 内置了模型融合功能。下载两个不同模型，按自定义比例混合：

模型 A（通用女声）—— 60%  ──→  混合后 = 独有音色
模型 B（通用男声）—— 40%  ──→

具体操作在 WebUI 的 "模型融合" 页面：

1. 选择模型 A 和模型 B
2. 设置融合比例（比如 0.6）
3. 点击融合，生成新模型

由于比例是你自己调的，这个新音色全球唯一。融合一次后，固定用这个模型处理所有 MP3，所有文件音色统一。

方法三：固定音高偏移

如果你已经有基础模型，可以用 FFmpeg 统一加固定偏移值：

ffmpeg -i rvc_output.wav -af "asetrate=44100*1.03,aresample=44100" final.mp3

其他人即使用同一个模型，没加这个偏移，出来的声音也和你不同。

6.4 放置模型

下载的模型文件（通常是 .pth 文件）放到 RVC 目录下的 weights/ 文件夹：

cp 你下载的模型.pth RVC-WebUI-MacOS/weights/

重启 WebUI 后就能在模型下拉菜单中看到。

七、处理你的 MP3 文件

7.1 人声分离（UVR5）

对于带背景音乐的 MP3（歌曲、播客背景音等），需要先分离人声：

1. 在 WebUI 中进入 UVR5 页面
2. 上传你的 MP3 文件
3. 模型选择 HP2_all_vocals（最通用的人声提取模型）
4. 点击转换

等待进度条走完（CoreML 加速下通常在 30 秒左右），右侧会出现分离结果，下载人声文件即可。

注意：如果你处理的文件本来就是纯人声（如录音、旁白），可以跳过这一步。

7.2 变声推理

1. 进入 推理（Inference） 页面
2. 在左上角选择你下载的模型
3. 上传文件（可以直接拖入 MP3，或上一步提取的人声文件）

4. 参数设置（一般保持默认即可）：

   参数	建议值	说明
   f0（音高）	0	不变调；正数变高，负数变低
   t-index（音色）	0.5-0.7	越大越接近目标音色，也越可能失真
   采样率	40000	保持和模型一致
   特征检索比例	0.5	保持默认

5. 点击 转换
6. 等待几秒到几十秒，右侧会显示变声后的音频，可直接试听和下载

7.3 批量处理

如果需要处理大量 MP3 文件，RVC WebUI 支持在推理页面多次上传文件，每次转换一个。目前没有内置批量功能，但可以用简单脚本循环处理（有需要的话可以找我写）。

八、隐私说明

整个流程全部在本地运行：

• 不需要注册任何账号
• 不需要联网认证
• 数据不上传任何服务器
• 安装一次后可以断网使用

你的 MP3 文件、变声结果、使用的模型，都只存在于你自己的 Mac 上。没有任何第三方能接触到你的音频数据。

九、成本汇总

十、常见问题

Q1：Apple Silicon Mac 跑这个够用吗？

够用。建议 16GB 内存以上，内存越大推理越快。即使是入门款 M 芯片也能流畅跑推理，训练模型则推荐 32GB 以上。

Q2：支持的音频格式？

除了 MP3，还支持 WAV、FLAC、M4A、OGG 等常见格式。RVC 内部会统一处理为 WAV。

Q3：处理后的音质会变差吗？

RVC 保留了一定程度的音质，相比传统变声算法好很多。但任何变声都会有一定音质损失，这是不可避免的。建议原始文件采样率不低于 44100Hz。

Q4：如果启动报错怎么办？

常见问题及解决：

• "No module named torch"：虚拟环境未正确创建，删掉 venv 文件夹重新运行 run.sh
• "ffmpeg not found"：确认 brew install ffmpeg 已执行
• WebUI 打不开：检查终端输出，确认地址是 http://127.0.0.1:7865

Q5：可以中途换模型吗？

可以。随时在推理页面切换模型，但注意同一个系列的文件保持用同一个模型，才能保证音色统一。

Q6：有没有更简单的 Mac app？

有一些闭源商业软件，但绝大多数要付费，而且无法保证隐私（需要上传音频到云端）。RVC 是开源方案中效果最好、生态最丰富的选择。

Q7：模型融合后能保证不撞车吗？

理论上只要不是刻意去复现你的融合比例，撞车概率几乎为零。如果还是不放心，可以在融合后再加一个固定音高偏移，双重保障。

十一、总结

RVC-WebUI-MacOS 是目前 Apple Silicon Mac 上最实用、最省钱、最保护隐私的 MP3 变声方案。

核心要点：

• 零成本：软件、模型、工具全部免费
• 全本地：保护隐私，不上传任何数据
• 效果可接受：RVC 是目前开源变声的天花板
• 避开撞车：用模型融合或冷门模型，声音独一无二

你只需要做三件事：

1. 安装 RVC-WebUI-MacOS（一次约 10 分钟）
2. 下载一个模型（或融合一个自定义模型）
3. 上传 MP3 → 转换 → 导出

本文最后更新于 2026 年 5 月。RVC 和相关工具版本可能更新，以 GitHub 仓库为准。