GptSoVits音频教程

这个号称5秒克隆，或者用1分钟音频训练10分钟就能达到原声效果。

5秒的号称，只要是，什么几秒的，大家可以完全不要想了，什么知更鸟，什么火山，包括本次的GptSoVits的效果肯定是不行的，数据太短效果不可能达到。所以这些都听不出来本人的声音。

新测试，拿35秒的高质量音频训练，效果确实还可以吊打目前世面一切中文训练的。

重点关注1分钟的音频训练10分钟，是否能赶超阿里的kantts。阿里1分钟音频训练10分钟出来，音色是比较像的，但是杂音和混响严重。这也是本文的目的。

由于是测试这里就不部署linux版本，直接用作者提供的整合包

---

资源位置（123网盘）

GPT-SoVITS官方版下载丨最新版下载丨绿色版下载丨APP下载-123云盘

环境:

win10，我显卡是3060ti（12g显存），装了nvida驱动。内存建议16G（2条8g才60块钱，很便宜，9成新）

1.安装

由于是整合包，解压就行，这里用7z解压，因为rar压缩包里面有2个7z的文件，是2个版本的。

2.数据集准备

2.1去混响

我是干净的人声，但是有空调声，我试一下这个功能

然后会自动弹出一个新页面，进行下图操作

然后点转换，等待每一条处理完成

完毕后，UVR5-WebUI（关闭这个页面，取消对钩就行）

2.2切分文件，降低显存，用于每条每条训练

我已经是切分过的了，就不用切分了，我以前写了个程序更方便切分

https://shiao.blog.csdn.net/article/details/133700129

2.3使用funAsr进行文本标注

这边是我以前写的单独做asr标注的，这个中文效果比openAi的whisper好。

中文语音标注工具FunASR（语音识别）-CSDN博客

本文中是用他集成好的asr，修改输入和输出

之后点击开启批量ASR,看黑窗口，他会去下载模型（第一次比较慢，请耐心等待）

成功后

2.4文本校对，就是用耳朵听，看看哪个地方不对

输入刚刚合成的【文件路径】，然后勾选启动打标WebUI

稍后会弹出新页面

听声音，看哪个不对，就改掉。觉得声音完全不对的，可以勾选yes然后点deleteAudio按钮删除。

想听下一批点击next index。最后点击SaveFile。

3.训练

进入训练步骤

3.1执行特征提取

和sovits一样，推理的同样会默认保存在logs中

输入实验名，然后给定标注路径还有音频路径，点击一键三连开始训练。

3.2训练微调

参数的话我显存12G，我就调高了一点，大家也可以用默认。

点击开始sovits训练，然后看窗口，没有报错就行。

训练完成后，然后，开始GPT训练，我GPU占用率百分之40。

4.推理

4.1推理模型配置

点击推理界面，先刷新模型，然后点击推理，然后打钩

打钩后，稍等一会儿就会弹出一个推理界面

4.2推理测试

刷新模型路径，上传语音，然后输入文本，点击合成语音

结果:

效果很不错，清晰度居然超过了kantts-sambert预训练16k。但是有个别吐字错误的情况。不过效果确实不错，我训练的数据是300句录音棚数据。

参考：

语音克隆神器GPT-SoVITS，只需一分钟素材训练模型，AI文字转语音效果堪比真人 | 科技与狠活

耗时两个月自主研发的低成本AI音色克隆软件，免费送给大家！【GPT-SoVITS】_哔哩哔哩_bilibili