GPT-SoVITS 快速指南5 秒音频克隆音色1 分钟素材完成微调【免费下载链接】GPT-SoVITS1 min voice data can also be used to train a good TTS model! (few shot voice cloning)项目地址: https://gitcode.com/GitHub_Trending/gp/GPT-SoVITS上传 5 秒参考音频输入想说的文字GPT-SoVITS 几秒内合成同音色的语音全程不训练。4090 上推理实时因子约 0.014一句话基本眨眼出结果GTX 1060 就能跑。 上手从一键安装到第一次合成安装加首次推理三步大约 10 分钟拉代码git clone https://gitcode.com/GitHub_Trending/gp/GPT-SoVITS cd GPT-SoVITS一键装环境。先conda create -n GPTSoVits python3.10建环境并激活再执行bash install.sh --device CU128 --source HF它会装依赖并把底模、G2PW 拼音模型中文拼音生成模型下到对应目录。--device可选CU126、CU128、ROCM、MPS、CPU--source可选HF、HF-Mirror、ModelScope后两者适合国内网络。启动并合成python webui.py浏览器打开 9874 端口。页面顶部是数据集获取、文本处理、模型训练、推理四个页签。直接进推理页签填参考音频的文本、上传音频文件、输入目标文字点合成几秒后出同音色的结果。硬件一句话下限 GTX 1060、8GB 内存、20GB 磁盘推荐 RTX 3090、32GB 内存。 效果能到什么程度零样本、微调、跨语言三档递进素材成本各不相同零样本不训练5 秒参考音频即可。上传文件、填好它对应的文本就能直接合成音色贴合度受参考音频质量限制带噪录音会把瑕疵放大。微调1 分钟干净录音起步。先用内置 UVR5 分离出人声把人声从背景音乐和噪声里拆出来切片再跑 ASR自动语音识别转文本逐条校对然后在文本处理页签一键生成 hubert、说话人向量、语义三种特征依次训练 GPTs1和 SoVITSs2两个模型。训完回推理页签选新模型音色稳定性提升明显。跨语言 / 进阶中文底稿就能让同一音色念英文、日文、韩文、粤语不用另录外语素材。程序还带api.py/api_v2.py默认端口 9880可以接进自己的工程不依赖浏览器页面。⚠️ 避坑高频问题一次说清四条最常见的坑每条按现象—原因—对策走合成音错字、变调 — 训练文本和音频对不上或语言标签标错。把转写文本和音频逐条对照改错后重训 s1。结果带底噪、听感发脏 — 参考音频本身不干净。先用内置 UVR5 分离出干净人声或换安静环境重录别直接喂原文件。训练或长文本推理时显存爆掉OOM显存溢出— 切片过长一次塞太多帧。把切片时长调短或把is_half设为True走 fp16 混合精度。启动后 9874 打不开页面 — 端口被占用或环境没装全。用ss -lntp | grep 9874查端口是否被占必要时在config.py里换端口依赖缺失就重跑一次install.sh。想深入看这里按这个顺序读源码从外到内GPT_SoVITS/AR/GPT 侧实现自回归逐个预测下一个 token生成音素序列GPT_SoVITS/module/SoVITS 声学模型结构、注意力层与 VQ 量化GPT_SoVITS/TTS_infer_pack/推理主流程与多语言切换逻辑GPT_SoVITS/prepare_datasets/ASR、特征提取、语义特征三步预处理脚本中文文档参数速览与训练流程说明建议顺序先用 5 秒人声跑零样本听完定位音色差在哪再把素材补到 1 分钟做一次微调最后才去调参数——比盲目调超参快得多。模型稳定后切到 9880 端口的 API 调用就能直接接入你的程序了。【免费下载链接】GPT-SoVITS1 min voice data can also be used to train a good TTS model! (few shot voice cloning)项目地址: https://gitcode.com/GitHub_Trending/gp/GPT-SoVITS创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考