GPT-SoVITS 语音克隆

GPT-SoVITS 是什么

GPT-SoVITS 是一个开源的少样本语音转换与文本转语音（TTS）WebUI 项目。它最大的特点是用极少的语音数据就能训练出高质量的 TTS 模型：只需 5 秒音频即可体验零样本 TTS，1 分钟数据即可微调出音色相似度很高的模型。

项目支持跨语种推理，目前覆盖中文、英文、日文、韩文和粤语，并提供了完整的 WebUI 工具链，帮助初学者从零构建训练数据集。

核心功能

• 零样本 TTS：输入 5 秒人声样本，即时进行文本转语音。
• 少样本 TTS：仅需 1 分钟训练数据微调模型，提升音色相似度与真实感。
• 跨语种支持：可用与训练数据不同的语言进行推理。
• WebUI 工具集：集成人声伴奏分离、训练集自动切分、中文 ASR 和文本标注等工具。

安装与运行

项目提供 Windows 整合包，下载后双击 go-webui.bat 即可启动。也支持通过 conda 手动安装：

conda create -n GPTSoVits python=3.10
conda activate GPTSoVits
bash install.sh --device CU126 --source HF

Windows 用户可使用 PowerShell 脚本：

pwsh -F install.ps1 --Device CU126 --Source HF

此外还提供 Docker 镜像与 Colab 训练 Notebook，方便在不同环境中快速体验。

适用场景

• 虚拟主播与数字人音色定制
• 有声书、短视频配音
• 跨语种语音合成与播报
• 少样本音色克隆研究与实验

注意事项

训练与推理对 GPU 有一定要求，macOS 上 GPU 训练质量较低，官方建议使用 CPU。语音克隆技术涉及版权与伦理问题，请合规使用。