如何用GPT-SoVITS实现5秒零样本语音合成：从入门到精通的完整指南

【免费下载链接】GPT-SoVITS 1 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是一款强大的少样本语音转换与文本转语音WebUI工具，支持仅用5秒语音样本实现零样本TTS，1分钟数据即可完成模型微调，让普通用户也能轻松创建高质量的语音合成应用。

✨ GPT-SoVITS核心优势

革命性的语音合成技术

• 零样本TTS：仅需5秒语音样本即可实现文本转语音转换
• 少样本微调：1分钟训练数据就能显著提升语音相似度和真实感
• 跨语言支持：支持英语、日语、韩语、粤语和中文等多语言合成

一站式工作流工具

集成语音伴奏分离、自动训练集分割、中文ASR和文本标注等工具，帮助初学者轻松创建训练数据集和GPT/SoVITS模型。工具模块位于tools/目录，包含：

• 语音分离：tools/uvr5/
• 音频切片：tools/slice_audio.py
• 语音识别：tools/asr/

卓越的性能表现

• 推理速度：4090显卡上RTF(实时因子)低至0.014（4分钟语音仅需3.36秒合成）
• CPU优化版本：提供专门的CPU快速推理版本

🚀 快速开始：安装指南

环境要求

GPT-SoVITS支持多种操作系统和硬件配置，经过测试的环境包括：

Python版本	PyTorch版本	设备
Python 3.10	PyTorch 2.5.1	CUDA 12.4
Python 3.11	PyTorch 2.5.1	CUDA 12.4
Python 3.11	PyTorch 2.7.0	CUDA 12.8
Python 3.9	PyTorch 2.2.2	CPU

一键安装方法

Windows用户

推荐下载集成包，解压后双击go-webui.bat即可启动。

手动安装命令：

conda create -n GPTSoVits python=3.10
conda activate GPTSoVits
pwsh -F install.ps1 --Device <CU126|CU128|CPU> --Source <HF|HF-Mirror|ModelScope> [--DownloadUVR5]

Linux用户

conda create -n GPTSoVits python=3.10
conda activate GPTSoVits
bash install.sh --device <CU126|CU128|ROCM|CPU> --source <HF|HF-Mirror|ModelScope> [--download-uvr5]

macOS用户

conda create -n GPTSoVits python=3.10
conda activate GPTSoVits
bash install.sh --device <MPS|CPU> --source <HF|HF-Mirror|ModelScope> [--download-uvr5]

Docker部署

项目提供Docker支持，可通过以下命令快速启动：

docker compose run --service-ports <GPT-SoVITS-CU126-Lite|GPT-SoVITS-CU128-Lite|GPT-SoVITS-CU126|GPT-SoVITS-CU128>

📋 模型准备

安装成功后，系统会自动下载所需模型。如需手动下载，请按照以下步骤操作：

1. 从GPT-SoVITS Models目录

2. 下载G2PW模型（仅中文TTS需要）：

   • G2PWModel.zip(HF)
   • 解压并重命名为G2PWModel，放置于GPT_SoVITS/text目录

3. UVR5模型（用于人声/伴奏分离）： 从UVR5 Weights目录

💡 数据集准备

TTS标注文件(.list)格式如下：

vocal_path|speaker_name|language|text

语言代码：

• 'zh': 中文
• 'ja': 日语
• 'en': 英语
• 'ko': 韩语
• 'yue': 粤语

示例：

D:\GPT-SoVITS\xxx/xxx.wav|xxx|en|I like playing Genshin.

🎯 模型微调与推理

启动WebUI

集成包用户

双击go-webui.bat或使用go-webui.ps1启动主界面

其他用户

python webui.py <language(可选)>

微调步骤

1. 填写音频路径
2. 将音频切片成小片段
3. 降噪处理（可选）
4. 运行ASR自动语音识别
5. 校对ASR转录文本
6. 切换到下一个标签页，开始微调模型

启动推理界面

python GPT_SoVITS/inference_webui.py <language(可选)>

或通过主WebUI的"1-GPT-SoVITS-TTS/1C-inference"进入推理界面

🔄 版本选择指南

GPT-SoVITS提供多个版本，各有特点：

V2系列

• 支持韩语和粤语
• 优化的文本前端
• 5000小时预训练数据
• 对低质量参考音频的合成质量有提升

V3/V4系列

• 音质相似度更高，所需训练数据更少
• GPT模型更稳定，减少重复和遗漏
• V4修复了V3的金属 artifacts问题，原生输出48k音频

V2Pro系列

• 性能超越V4，保持V2的硬件成本和速度
• 提供Plus版本进一步提升性能

📚 学习资源

• 官方文档：docs/
• 用户指南：简体中文 | English
• 变更日志：docs/en/Changelog_EN.md

🙏 致谢

GPT-SoVITS的开发借鉴了多个优秀开源项目，包括ar-vits、SoundStorm、vits、TransferTTS、contentvec、hifi-gan等。特别感谢所有贡献者的努力和支持。

通过本指南，您已经掌握了GPT-SoVITS的安装、配置和使用方法。无论是零样本语音合成还是少样本模型微调，这款工具都能帮助您轻松实现高质量的语音合成效果。立即尝试，释放语音合成的无限可能！

【免费下载链接】GPT-SoVITS 1 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