使用GPT-SoVITS快速克隆一个人的声音

前言

这期文章，由我来向大家介绍我我们的新朋友 GPT-SoVITS ,它的作者就是 Retrieval-based-Voice-Conversion 的主要开发者之一！RVC-Boss

这两个项目的核心都使用了 VITS 以至于能实现如此惊人的效果和快速，但是 GPT-SoVITS 和 Retrieval-based-Voice-Conversion 虽然有着千丝万缕的关系但是它们的功能却有很大的差别，Retrieval-based-Voice-Conversion 属于变声器，并且能够实时推理，而 GPT-SoVITS 目前为止还在TTS范畴，尽管开发者提到了后期会推出变声功能，不过可以让我们期待变声功能能为我们带来怎样惊艳的效果，该说的都说了，那么接下来让我们开始我们的教程

开始

项目的 readme 写的很详细，详细介绍了如何再您的计算机上安装部署，如果您使用Windows操作系统可以 下载整合包 当然，在这里我们也详细介绍整合包的使用

在您下载整合包后，您应该得到如下图的文件，大小在4gib多

接下来，使用您喜欢的解压软件解压这个整合包，我推荐使用7zip，我当前下载的使beta0217版本，那么打开后在压缩包更目录应该看到如下文件夹

右键它，复制，然后粘贴到一个合适的位置，不要有空格或者特殊字符（比如中文），像是我，就把它解压到了 D:\

然后打开解压过后的 GPT-SoVITS-beta0217 文件夹，运行go-webui.bat（如果有网络请求窗口请点击允许），然后程序就会自动启动您的浏览器并打开如下界面

第一个区块是UVR人声分离，但我不建议使用自带的，请前往 The Ultimate Vocal Remover Application 下载，阅读 往期文章 查看推荐的模型

然后，进行语音切分，如下图

在 音频自动切分输入路径 里输入您的数据文件，支持单文件或者一个文件夹，别的无需修改，直接点击开始，然后会在终端中输出切分后的数据的路径，如下图

其中 “output\slicer_opt” 就是切分后输出的路径，然后在ASR模块输入 程序安装路径\output\slicer_opt，比如我的就是C:\GPT-SoVITS-beta0217\output\slicer_opt，然后选择语言和模型，然后点击开始

如果您是首次使用，会自动下载模型文件，请保持稳定快速的网络连接并耐心等待

下载完成后会开始处理

然后输出文件路径

复制它，然后输入到打标模块，然后点击启用

此时程序会自带打开打标页面

一般没什么需要修改的，得益于达摩ASR的准确识别，你只需要挑选出质量差的标注并删除即可，点击Next Index翻页，完成修改后点击Save File

然后点击 1-GPT-SOVITS-TTS 选项卡

在 实验/模型名 输入一个名字，一般输入目标的名字，然后在 文本标注文件 输入之前的asr文件路径，然后在 训练集音频文件目录 输入之前的切分后文件路径，然后点击 开始文本获取

然后耐心等待 直到输出 文本进程结束

然后点击 开启SSL获取

等待执行完成后

然后点击开始语义token提取

在 实验/模型名 输入一个名字，一般输入目标的名字，然后在 文本标注文件 输入之前的asr文件路径，然后在 训练集音频文件目录 输入之前的切分后文件路径，然后滑动到页面底部点击一键三连

等输出 一键三连进程结束 后切换到 1B-微调训练

保持默认直接点击开始，如果你有特殊需求也可以调整，一般默认参数足够了

时间比较久，请耐心等待，此时可以起身出去冲一杯咖啡，舒展下身体

完成后，会在log里输出 SoVITS训练完成

然后点击 开始GPT训练

等待输出 GPT训练完成 就可以前往 1C-推理 了

先点击 刷新 然后选择 模型，一般是 你刚刚填写的实验名-eXX.ckpt 两个模型都要选，建议选数字最大的，然后勾选 开启TTS推理WebUi ，程序会启动推理UI并在浏览器打开界面

此时就可以推理了，我建议打开打标页面选择一条音频作为参考音频，然后输入参考文本

然后输入要合成的文本然后点击合成语音就开始合成了，单语言输出的效果还是非常不错的，多语言混合也将就听得过去

最后，给大家带来效果试听

---

效果试听

参考音频

输出音频