GPT-SoVITS 零样本语音合成实战1 分钟音频克隆音色从安装到推理全流程【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如果你手里只有一段不到 1 分钟的人声录音却想让 TA 用任意文字开口说话GPT-SoVITS 就是干这个的几秒参考音频即可做零样本语音合成1 分钟素材还能微调出专属音色。这篇手册按操作顺序走装环境 → 出声音 → 备料 → 微调 → 调参每一步都能独立跑通、独立验证。环境与前置准备项目要求系统Windows / Linux / macOSApple Silicon 走 MPSPython3.10–3.12建议用 conda 单独建环境内存最低 4GB推荐 8GB 以上磁盘预留 30GB 左右依赖 预训练模型显卡可选NVIDIA CUDA 12.6/12.8、AMD ROCm、CPU 均支持依赖由安装脚本一键处理无需手动 pip国内网络下无需自己找模型下载页安装脚本的--source参数支持 HF-Mirror 和 ModelScope 两个镜像源模型会直接落到对应目录。核心工作流从安装到出声音第 1 步 安装环境约 10 分钟唯一的安装环节git clone https://gitcode.com/GitHub_Trending/gp/GPT-SoVITS cd GPT-SoVITS conda create -n GPTSoVits python3.10 conda activate GPTSoVits bash install.sh --device CU126 --source HFWindows 用户用 Windows 安装脚本pwsh -F install.ps1 --Device CU126 --Source HF --DownloadUVR5macOS 把--device换成MPSAMD 显卡用ROCM纯 CPU 用CPU。脚本会自动装好 FFmpeg、对应 CUDA 版本的 PyTorch、依赖清单 里的全部 Python 包并把预训练模型下好。没有 NVIDIA 显卡时脚本会检测到并自动回退到 CPU不会中途报错。第 2 步 零样本推理装完立刻出声音python webui.py浏览器打开终端里给出的地址默认 http://localhost:7860进入1-GPT-SoVITS-TTS选项卡选择训练模型版本默认 v2Pro上传 3~10 秒的参考音频填入这段参考音频对应的文字提示文本并选择语言输入要合成的目标文本点生成想跳过完整 WebUI 也可以单独启动 推理入口python GPT_SoVITS/inference_webui.py这一步不需要任何训练。注意参考音频时长必须在 3~10 秒内超出范围程序会直接拦截并提示更换后面调参也绕不开这条限制。第 3 步 准备训练素材为微调做铺垫回到 WebUI 的0-前置数据集获取工具选项卡按顺序处理你的录音语音降噪去掉背景噪音自动切片把长音频切成适合训练的短片段语音识别ASR自动生成文本标注中文选达摩 ASR多语言选 Faster Whisper一种跑得快、多语言的语音识别引擎入口在 ASR 工具文本校对在标注工具里逐句修正识别错误素材要求不苛刻干净清晰、无背景音乐总量 1 分钟左右就够。如果你的是带伴奏的完整歌曲先用 WebUI 内置的 UVR5 分离出人声代码在 UVR5 目录。第 4 步 少样本微调普通电脑 30 分钟 ~ 2 小时1A-训练集格式化工具输入上一步的标注文件和音频目录点格式化1B-微调训练→1Ba-SoVITS 训练填总训练轮数开始权重存到SoVITS_weights/再跑1Bb-GPT 训练权重存到GPT_weights/训练结束回到推理界面在下拉里选中刚训出的两个模型显存吃紧时改用 LoRA一种只微调少量参数的省显存方法训练入口在 LoRA 训练脚本。第 5 步 调参迭代同一个模型推理参数不同效果差别明显音色和参考音频不像 → 微调轮数没跑够或换更干净的素材重训有电流声/破音 → 调低 top_k、temperature 两个采样参数语速不对 → 用 speed 参数微调长文本断裂 → 切换文本切分方式按标点切适合长文朗读模型版本切换不用改代码推理界面有版本下拉框也可以在 推理配置文件 里改version字段。版本横向对比版本适用场景资源消耗推荐人群v1 / v2基础多语言合成功能全低CPU 也能跑低配机器、首次体验v2ProWebUI 默认质量与性能平衡支持中英日韩粤中普通 GPU 无压力大多数用户建议首选v3 / v4更长文本、更高质量支持 LoRA较高推荐 12GB 以上显存对音质有追求、有显卡的用户多语言文本的规范化和音素转换逻辑都集中在 多语言文本模块出现特定语言读错时可以从这里定位。踩坑清单按出现频率从高到低排参考音频被拒→ 程序硬性检查参考音频必须在 3~10 秒区间 → 换一段时长合规、且文字与音频完全一致的参考音。训练时显存爆掉→ v3/v4 全量微调显存需求高 → 换 LoRA 训练或调小 batch size。模型下载失败或超时→ 国内直连源不稳定 → 重跑安装脚本--source改成HF-Mirror或ModelScope已下好的部分不会重复下载。torch 导入报错、依赖冲突→ 和其他 Python 项目共用了环境 → 用 conda 建独立环境python3.10重装依赖。合成很慢→ 实际跑在 CPU 上 → 确认安装时设备参数与显卡驱动匹配nvidia-smi能正常输出再用 GPU 设备参数装一次。语言读错→ 目标文本语言与参考音频语言没设对 → 分别检查文本语言、提示文本语言两个选项中英混读就分段分别合成。训练中断→ 断电或误关终端 → 重跑同一条训练命令会从断点继续不用从头来。进阶与集成把 GPT-SoVITS 变成自己的服务只需 API 接口。启动后curl一次即可出声音curl http://127.0.0.1:9880/tts?text你好世界text_langzhref_audio_pathref.wavprompt_langzhprompt_text参考音频的文字text_split_methodcut5speed_factor1.0 -o out.wavstreaming_modetrue可开启流式返回适合边合成边播放的场景。更多参数说明和变更记录见 官方文档。五步跑通5 秒参考音、1 分钟训练集就是你的常规弹药。把第 4 步的轮数调够你的专属音色就可以开始干活了。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 GPT-SoVITS 零样本语音合成实战：1 分钟音频克隆音色，从安装到推理全流程
GPT-SoVITS 零样本语音合成实战1 分钟音频克隆音色从安装到推理全流程【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如果你手里只有一段不到 1 分钟的人声录音却想让 TA 用任意文字开口说话GPT-SoVITS 就是干这个的几秒参考音频即可做零样本语音合成1 分钟素材还能微调出专属音色。这篇手册按操作顺序走装环境 → 出声音 → 备料 → 微调 → 调参每一步都能独立跑通、独立验证。环境与前置准备项目要求系统Windows / Linux / macOSApple Silicon 走 MPSPython3.10–3.12建议用 conda 单独建环境内存最低 4GB推荐 8GB 以上磁盘预留 30GB 左右依赖 预训练模型显卡可选NVIDIA CUDA 12.6/12.8、AMD ROCm、CPU 均支持依赖由安装脚本一键处理无需手动 pip国内网络下无需自己找模型下载页安装脚本的--source参数支持 HF-Mirror 和 ModelScope 两个镜像源模型会直接落到对应目录。核心工作流从安装到出声音第 1 步 安装环境约 10 分钟唯一的安装环节git clone https://gitcode.com/GitHub_Trending/gp/GPT-SoVITS cd GPT-SoVITS conda create -n GPTSoVits python3.10 conda activate GPTSoVits bash install.sh --device CU126 --source HFWindows 用户用 Windows 安装脚本pwsh -F install.ps1 --Device CU126 --Source HF --DownloadUVR5macOS 把--device换成MPSAMD 显卡用ROCM纯 CPU 用CPU。脚本会自动装好 FFmpeg、对应 CUDA 版本的 PyTorch、依赖清单 里的全部 Python 包并把预训练模型下好。没有 NVIDIA 显卡时脚本会检测到并自动回退到 CPU不会中途报错。第 2 步 零样本推理装完立刻出声音python webui.py浏览器打开终端里给出的地址默认 http://localhost:7860进入1-GPT-SoVITS-TTS选项卡选择训练模型版本默认 v2Pro上传 3~10 秒的参考音频填入这段参考音频对应的文字提示文本并选择语言输入要合成的目标文本点生成想跳过完整 WebUI 也可以单独启动 推理入口python GPT_SoVITS/inference_webui.py这一步不需要任何训练。注意参考音频时长必须在 3~10 秒内超出范围程序会直接拦截并提示更换后面调参也绕不开这条限制。第 3 步 准备训练素材为微调做铺垫回到 WebUI 的0-前置数据集获取工具选项卡按顺序处理你的录音语音降噪去掉背景噪音自动切片把长音频切成适合训练的短片段语音识别ASR自动生成文本标注中文选达摩 ASR多语言选 Faster Whisper一种跑得快、多语言的语音识别引擎入口在 ASR 工具文本校对在标注工具里逐句修正识别错误素材要求不苛刻干净清晰、无背景音乐总量 1 分钟左右就够。如果你的是带伴奏的完整歌曲先用 WebUI 内置的 UVR5 分离出人声代码在 UVR5 目录。第 4 步 少样本微调普通电脑 30 分钟 ~ 2 小时1A-训练集格式化工具输入上一步的标注文件和音频目录点格式化1B-微调训练→1Ba-SoVITS 训练填总训练轮数开始权重存到SoVITS_weights/再跑1Bb-GPT 训练权重存到GPT_weights/训练结束回到推理界面在下拉里选中刚训出的两个模型显存吃紧时改用 LoRA一种只微调少量参数的省显存方法训练入口在 LoRA 训练脚本。第 5 步 调参迭代同一个模型推理参数不同效果差别明显音色和参考音频不像 → 微调轮数没跑够或换更干净的素材重训有电流声/破音 → 调低 top_k、temperature 两个采样参数语速不对 → 用 speed 参数微调长文本断裂 → 切换文本切分方式按标点切适合长文朗读模型版本切换不用改代码推理界面有版本下拉框也可以在 推理配置文件 里改version字段。版本横向对比版本适用场景资源消耗推荐人群v1 / v2基础多语言合成功能全低CPU 也能跑低配机器、首次体验v2ProWebUI 默认质量与性能平衡支持中英日韩粤中普通 GPU 无压力大多数用户建议首选v3 / v4更长文本、更高质量支持 LoRA较高推荐 12GB 以上显存对音质有追求、有显卡的用户多语言文本的规范化和音素转换逻辑都集中在 多语言文本模块出现特定语言读错时可以从这里定位。踩坑清单按出现频率从高到低排参考音频被拒→ 程序硬性检查参考音频必须在 3~10 秒区间 → 换一段时长合规、且文字与音频完全一致的参考音。训练时显存爆掉→ v3/v4 全量微调显存需求高 → 换 LoRA 训练或调小 batch size。模型下载失败或超时→ 国内直连源不稳定 → 重跑安装脚本--source改成HF-Mirror或ModelScope已下好的部分不会重复下载。torch 导入报错、依赖冲突→ 和其他 Python 项目共用了环境 → 用 conda 建独立环境python3.10重装依赖。合成很慢→ 实际跑在 CPU 上 → 确认安装时设备参数与显卡驱动匹配nvidia-smi能正常输出再用 GPU 设备参数装一次。语言读错→ 目标文本语言与参考音频语言没设对 → 分别检查文本语言、提示文本语言两个选项中英混读就分段分别合成。训练中断→ 断电或误关终端 → 重跑同一条训练命令会从断点继续不用从头来。进阶与集成把 GPT-SoVITS 变成自己的服务只需 API 接口。启动后curl一次即可出声音curl http://127.0.0.1:9880/tts?text你好世界text_langzhref_audio_pathref.wavprompt_langzhprompt_text参考音频的文字text_split_methodcut5speed_factor1.0 -o out.wavstreaming_modetrue可开启流式返回适合边合成边播放的场景。更多参数说明和变更记录见 官方文档。五步跑通5 秒参考音、1 分钟训练集就是你的常规弹药。把第 4 步的轮数调够你的专属音色就可以开始干活了。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考