RvcPyInfer 0.1.3

Rvc 的 ONNX 模型导出格式推理实现

RvcPyInfer

RVC 的 ONNX 模型导出格式推理实现。

• 支持原 RVC 项目的 ONNX 模型推理。
• 跨平台支持多种推理引擎（CPU, CUDA, DirectML, OpenVINO）。
• 提供 Windows 下一键导出 ONNX 模型的 CLI 工具。
• 兼容原项目的 .index 特征索引文件。

Python 版本需求

本项目要求 Python 版本 >= 3.13。由于项目代码中使用了 Python 3.12+ 引入的 TypeParam 等现代语法特性，因此无法向下兼容更低版本的 Python。
并且推理真的很难测试欸。

安装

本库尚未上传至 PyPI ，我们还在筹备这方面的工作。
你可以直接 clone 该仓库然后使用如下命令构建 .whl 文件。

# 克隆该仓库
git clone https://github.com/TwoCreepers/RvcPyInfer.git
# 进入该仓库目录
cd RvcPyInfer
# 使用 uv 构建
uv build
# 安装生成的 wheel 包 (以实际文件名为准)
pip install ./dist/rvcpyinfer-0.1.0-py3-none-any.whl

不出意外的话，现在你需要的轮子文件应该出现在 dist/ 下面了。
这里出现的 uv 是一个使用 Rust 编写的 Python 项目管理工具。
它可以为你剩下非常多在依赖管理方面的麻烦，就比如上面的 uv build 它会自动为你生成虚拟环境并安装好依赖。
当然了， uv 不是必须的，我们使用 hatchling 作为构建后端，你可以自己研究一下如何构建。

或者你也可以直接把当前项目作为库安装，例如：

# 假设你已经在仓库目录里了
pip install .
# 如果需要安装 CPU 引擎和特征索引支持的话是
pip install ".[cpu,index]"

关于特征模型

你可以在这里找到 MoeSS 使用的 onnx 特征模型。它们是通用的。
通常情况下最常见的 v2 版本的生成器模型使用的是 vec-768-layer-12.onnx

关于推理引擎

你可能已经看到了那个未安装任何推理引擎的警告或者错误。
请在安装命令后面添加 [xxx] 来安装可选依赖。
例如：

# 假设你已经在 dist/ 目录下构建好了 whl 文件
pip install "./dist/rvcpyinfer-0.1.0-py3-none-any[cpu]"

目前我们支持以下推理引擎：

• onnxruntime
  • [cpu]：ONNX Runtime (CPU)，通用
  • [cuda]：ONNX Runtime (CUDA)，Nvidia GPU 加速
  • [dml]：ONNX Runtime (DML)，Windows DirectML 加速
• openvino
  • [openvino]：OpenVINO，Intel 硬件加速

请注意 onnxruntime 的三个可选依赖是互斥的，你只能选择其中的一个。
关于 openvino 的 IR 格式，本库会转换 IR 格式并存档在 .onnx 同目录下的同名文件中，以便在下一次加载时加速，该行为目前无法被禁用。

关于特征索引

原项目的 .index 文件可直接使用，无需转换。
但你需要使用 [index] 来安装我们需要用于读取特征索引的依赖—— faiss。

快速使用

一个简单的示例：

import RvcPyInfer

context = RvcPyInfer.RvcContext() # 创建一个上下文

task = context.build_task(
    "./你的特征模型.onnx",
    "./你的 Rvc 生成器模型.onnx",
    48000, # 你的 Rvc 生成器模型的生成采样率
    "./你要推理的源文件.wav", # 可以填多个源文件
    # 后续可选参数需显式写明名称，例如: 
    sid=1,    # 说话者 id，一般情况下就是 0
    seed=4321 # 噪声种子，默认 1234
)
task.run_and_save(
    "./你要保存的结果.wav" # 请注意，它不会自动创建目录
)

CLI

我们已经预制了一些 CLI 在库中了，并随库一并打包。
以下是库内置的命令：

• rvc-infer：用以快速推理模型而无需编写代码
• rvc-model：与原项目模型相关的命令

rvc-infer

最简格式： rvc-infer --vec-model <你的特征模型路径> --gen-model <你的生成器模型路径> --gen-model-sr <你的生成器模型的输出采样率> -i <输入音频文件路径> -o <输出音频文件路径>
Tips：可出现多个 -i 和 -o，只要它们的数量一致，多个 -i 和 -o 按出现顺序一一对应。

rvc-model

该命令用于查看原项目的 .pth 模型的生成采样率，以及在 Windows 上快速导出 onnx 模型。

rvc-model show-sr

格式： rvc-model show-sr -m <你的pth模型路径>

rvc-model export

⚠️注意：你必须安装源项目的整合包或至少有一个能运行源项目的环境以便 PyTorch 导出 .onnx 模型。
它并不依赖项目内置的 tools/export_onnx.py 我们有自己的方法。
事实上原项目的 export_onnx.py 甚至没有做 v2 版本的支持
格式： rvc-model export -m <你的pth模型路径> -t <你希望输出到哪> -r <rvc 原项目的根路径> --runtime <可选的导出用的 python 解释器路径，默认使用 rvc 原项目整合包自带的解释器>

未来的计划

• Github Action 可重现性构建流水线
• 发布至 PyPI

许可证

在文件头部或文件所在目录未有额外说明的情况下，本项目代码部分使用 MIT 许可证授权与你，非代码部分使用 CC BY 4.0 授权与你。

🎉鸣谢

• 原项目组的所有成员
  没有TA们的付出就没有 RVC 模型，该项目也不会出现
• 提前打好特征模型 ONNX 的 MoeSS
  省去了诸多导出特征模型的麻烦
• 帮了作者很多的 GLM AI
  省去了很多查资料和写 CLI 的时间