首發網站 https://tianfeng.space

前言

• 零樣本文本到語音（TTS）： 輸入 5 秒的聲音樣本，即刻體驗文本到語音轉換。
• 少樣本 TTS： 僅需 1 分鐘的訓練數據即可微調模型，提升聲音相似度和真實感。
• 跨語言支持： 支持與訓練數據集不同語言的推理，目前支持英語、日語和中文。
• WebUI 工具： 集成工具包括聲音伴奏分離、自動訓練集分割、中文自動語音識別(ASR)和文本標注，協助初學者創建訓練數據集和 GPT/SoVITS 模型。

使用

安裝

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

同時下載權重文件放入相應文件夾

如果網速不好，怕麻煩，百度網盤：

鏈接: https://pan.baidu.com/s/1jeub2AzO6SeGge_YTimirQ 提取碼: 2qkp

準備數據

雖然幾分鐘即可訓練，但是聲音數據半個小時到一個小時更好，吐字清晰，格式最好WAV

解壓后雙擊 go-webui.bat 即可啟動 GPT-SoVITS-WebUI

來到頁面，勾選開啟UVR5，自動跳轉webui（如果你的數據有雜音和伴奏）

去伴奏

填入你音頻文件路徑或拖拽你的文件，HP2伴奏分離，然后依次是人聲與伴奏聲保存路徑，導出格式WAV

然后文件就在改路徑下vocal（人聲）

去混響延時

輸入去玩伴奏的人聲音頻路徑，輸出依然是哪個文件夾下帶vocal（人聲）

xiaoqi_train.wav我改名的去伴奏去混響最終文件

分割音頻

關閉UVR5，切分音頻，填入文件路徑，其他默認

降噪

輸入切分的文件夾路徑

ASR

輸入降噪后音頻文件，中文選達摩，英文whisper

數據清洗

勾選webui，輸入ASR輸出文件路徑

主要這幾個就夠用了，修改文字對應音頻，刪除一些雜亂語音，合并一些過短語音，最后保存退出

訓練集格式化

填入實驗名和路徑，其他默認

點擊一鍵三連，一次全部運行（E:\BaiduNetdiskDownload\GPT-SoVITS-beta0306fix2\logs\xiaoqi生成五個文件）

微調訓練

8G顯存，按照我這個設置，時長幾分鐘，SOVITS訓練輪數25以下夠了，時長抄半小時，語音吐字清晰，訓練輪數100,200都可以，學習率權重適當降低，否則默認，顯卡大于8G，batch size可以加大，GPT訓練25輪一般效果不錯

訓練上線無法超過25問題解決，編輯器打開webui.py

大概830行左右，修改200即可

模型路徑

推理

勾選TTS webui

來到

GPT25輪效果不錯，SOVITS選擇輪數最高的，因為我音頻大概35分鐘，訓練久點效果更好

如果參考音頻選擇訓練音頻則推理出的聲音更符合訓練集音色，如果看看音頻為非訓練集音頻，則為音頻融合（音色融合），切分方式我感覺湊四句一切效果較好

還可以輸入日文轉英語，有那味了，

其他更多有待自己嘗試了