企业官网建设流程全解析

GPT-SoVITS 语音克隆指南：5 秒参考音频合成第一段声音

【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

GPT-SoVITS 用 5 秒人声就能零样本语音克隆——不训练，直接推理出结果；1 分钟素材微调后音色更稳。速度上官方在 4090 上测得 RTF 约 0.014，1400 字、约 4 分钟的音频推理耗时 3.36 秒。

先跑通：装环境、启动、合成第一段声音

clone 仓库，建一个 Python 3.10 的 conda 环境，一条安装脚本装完依赖和底模：

git clone https://gitcode.com/GitHub_Trending/gp/GPT-SoVITS cd GPT-SoVITS conda create -n GPTSoVits python=3.10 conda activate GPTSoVits bash install.sh --device CU128 --source HF # 无独显换 CPU；国内网络可换 HF-Mirror 或 ModelScope

--device按驱动选 CUDA 版本，macOS 用 MPS，Windows 整合包用户直接双击 go-webui.bat 跳过这一节。脚本会把底模和 G2PW 中文拼音模型放进对应目录，不用手动搬。然后在项目根目录执行python webui.py，浏览器打开 9874 端口，进推理页签：填参考音频对应的文本、上传音频、输入要说的文字，点合成，几秒后听到第一段用参考音色的语音。硬件没有写死的显卡型号门槛，但 config.py 里显存低于 4GB 或架构太老的卡会自动回退 CPU，能上独显尽量上。官方实测速度：

素材分三档：5 秒起步，1 分钟定型，10 分钟出成品

三档是递进关系，每一档没榨干再补下一档：

5 秒档（零样本）。能换到：从会议录音里截 3~5 秒人声，在推理页填好这段的文本、上传音频，几秒后拿到同音色的新语音，全程不训练。边界：音色贴合度和稳定性完全受这 5 秒限制，文本一长偶发漂移、"像又不像"。下一步：同一人再找 1 分钟干净录音，进微调。

1 分钟档（少样本微调）。能换到：跑一轮完整微调——0-数据集获取页用内置 UVR5 把人声抠出来、切片、ASR 自动识别并逐条校对，1-文本处理页一键生成 hubert、说话人向量、语义特征，再依次训练 GPT（s1）和 SoVITS（s2），回推理页换新模型合成，漂移明显减少。边界：这 1 分钟素材如果带噪或忽远忽近，模型会连毛病一起学。下一步：素材扩量，同时开始精修数据。

10 分钟档。能换到：数据量上来后多轮训练，输出接近"专属音色"，适合长期做多集内容的场景。边界：这个量级质量比数量重要，一条噪声、一条错标都会把整体拉下来。下一步：别再堆数据，回去精修数据集。

🩺 效果不对先自查

读错字、变调原因：训练文本和音频对不上，或语言标签标错。 处理：把 ASR 标注和音频逐条对照，改错后重训 s1，比调任何参数都有效。

合成带噪、有底噪原因：喂进去的参考音频本身不干净。 处理：先用内置 UVR5 分离出人声再合成，或换安静环境重录，别直接喂原音。

训练中途显存爆掉原因：没开半精度，或切片过长一次塞太多帧。 处理：把is_half设为true走 fp16；还不够就把数据集获取里的切片时长调短。

推理慢得离谱原因：设备没走到 GPU，回退到了 CPU（对照上面速度表就有体感）。 处理：确认安装时--device选对、nvidia-smi能看到卡，重装环境比调参数实在。

🚀 再进一步

多语言：底模已支持中/英/日/韩/粤，训练集全用中文也行，推理页把目标文本切成其他语言，拿回的仍是这个音色，不用另录目标语言的底稿。

批量：api.py 与 api_v2.py 提供 HTTP 接口，默认端口 9880，脚本循环调用即可批量合成一整套文案。

手写训练列表：不想点界面时，列表格式为每行一条、竖线分隔音频路径|说话人|语言|文本：

./a.wav|我|zh|会议开始，先同步进度

想抠原理，从这几个目录看起：

• GPT_SoVITS/AR/ — GPT 侧自回归生成音素序列
• GPT_SoVITS/module/ — SoVITS 声学模型结构与 VQ 量化
• GPT_SoVITS/TTS_infer_pack/ — 推理主流程与多语言文本预处理
• GPT_SoVITS/prepare_datasets/ — ASR、特征提取、语义特征三步预处理
• docs/cn/README.md — 中文文档，参数速查

先从自己人声里截 5 秒跑一遍零样本，听完再决定要不要补 1 分钟微调，这是成本最低的路径。

【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