GPT-SoVits：语音克隆，语音融合

首发网站 https://tianfeng.space

前言

• 零样本文本到语音（TTS）： 输入 5 秒的声音样本，即刻体验文本到语音转换。

• 少样本 TTS： 仅需 1 分钟的训练数据即可微调模型，提升声音相似度和真实感。

• 跨语言支持： 支持与训练数据集不同语言的推理，目前支持英语、日语和中文。

• WebUI 工具： 集成工具包括声音伴奏分离、自动训练集分割、中文自动语音识别(ASR)和文本标注，协助初学者创建训练数据集和 GPT/SoVITS 模型。

使用

安装

https://github.com/RVC-Boss/GPT-SoVITS?tab=readme-ov-file

同时下载权重文件放入相应文件夹

如果网速不好，怕麻烦，百度网盘：

链接: https://pan.baidu.com/s/1jeub2AzO6SeGge_YTimirQ 提取码: 2qkp

准备数据

虽然几分钟即可训练，但是声音数据半个小时到一个小时更好，吐字清晰，格式最好WAV

解压后双击 go-webui.bat 即可启动 GPT-SoVITS-WebUI

来到页面，勾选开启UVR5，自动跳转webui（如果你的数据有杂音和伴奏）

去伴奏

填入你音频文件路径或拖拽你的文件，HP2伴奏分离，然后依次是人声与伴奏声保存路径，导出格式WAV

然后文件就在改路径下vocal（人声）

去混响延时

输入去玩伴奏的人声音频路径，输出依然是哪个文件夹下带vocal（人声）

xiaoqi_train.wav我改名的去伴奏去混响最终文件

分割音频

关闭UVR5，切分音频，填入文件路径，其他默认

降噪

输入切分的文件夹路径

ASR

输入降噪后音频文件，中文选达摩，英文whisper

数据清洗

勾选webui，输入ASR输出文件路径

主要这几个就够用了，修改文字对应音频，删除一些杂乱语音，合并一些过短语音，最后保存退出

训练集格式化

填入实验名和路径，其他默认

点击一键三连，一次全部运行（E:\BaiduNetdiskDownload\GPT-SoVITS-beta0306fix2\logs\xiaoqi生成五个文件）

微调训练

8G显存，按照我这个设置，时长几分钟，SOVITS训练轮数25以下够了，时长抄半小时，语音吐字清晰，训练轮数100,200都可以，学习率权重适当降低，否则默认，显卡大于8G，batch size可以加大，GPT训练25轮一般效果不错

训练上线无法超过25问题解决，编辑器打开webui.py

大概830行左右，修改200即可

模型路径

推理

勾选TTS webui

来到

GPT25轮效果不错，SOVITS选择轮数最高的，因为我音频大概35分钟，训练久点效果更好

如果参考音频选择训练音频则推理出的声音更符合训练集音色，如果看看音频为非训练集音频，则为音频融合（音色融合），切分方式我感觉凑四句一切效果较好

还可以输入日文转英语，有那味了，

其他更多有待自己尝试了