【AI声音克隆】教你如何“夺取“别人的声音!GPT-SoVITS整合包发布(WIN/MAC)_gptsovits整合包

今天给大家分享一个声音克隆的项目。我们只要上传一分钟的语音，就可以完美复刻任意角色的语音语气、语调，实现声音情感的真实复刻，而且它还支持中日英等多个语种。我为大家制作了Windows版本和Mac版本的整合包（文章末尾自取）

首先听下我用了四位朋友的一分钟的语音素材来训练的音频效果。

下面我分享制作流程，篇幅较长，多图，但是步骤很简单。

安装与启动

Win：

Windows用户将下载好的压缩包解压到本地目录，双击启动器.exe即可。

耐心等待一会儿，会自动打开一个网页。这就是程序的主界面。

Mac：

Mac用户由于权限设置会比Windows相对麻烦些，首先解压压缩包，来到项目路径下，我们看到这两个文件是文稿形式，这时我们需要开启下文件权限才可以使用。

回到最外层文件夹，也就是你解压包所在的目录。

打开终端。

输入指令sudo chmod -R 777 ，然后将文件夹拖拽进终端内。

完整命令，别忘了777后有个空格

之后按下回车。这时需要输入屏幕密码，我们输入密码后按回车。（输入的时候密码不会显示）

执行完毕，我们可以将终端窗口关闭。

再次回到项目目录内，可以看到刚才的两个文件已经变成Unix可执行文件的格式。这就代表成功了，如果这两个文件没变成Unix可执行文件的格式，你需要检查下上一步是否正确执行。

接下来，Mac用户还需要开启允许任何来源APP的权限才可以完全使用。如果你不知道你的电脑是否开启了这个选项，你可以进入系统设置--隐私与安全性--安全性，查看是否是任何来源选项。

如果你已经开启，请忽略下面的步骤，如果不是任何来源选项，根据下面步骤开启。

双击来源开启。

选择打开。

提示需要输入锁屏密码。输入完毕后按回车。

显示开启成功，可以将终端窗口关掉。

到这里为止，Mac用户使用前的权限都开启了。后续使用无需重复执行以上步骤，直接点击启动器启动即可。

双击启动器。弹出的询问框点击打开。

耐心等待一会儿，会自动打开一个网页。这就是程序的主界面。

开始操作

从这里开始，Windows用户和Mac用户的操作步骤是一样的。

分三大步骤：

1. 数据集处理。

2. 模型训练。

3. 推理模型。

数据集处理

请认真准备数据集！以免后面出现各种报错，和炼出不理想的模型！好的数据集是炼出好的模型的基础！

首先我们需要准备一段音频文件，准备一段人物说话的音频即可。

音频标准：

• 音频里不要有嘈杂的环境音、噪音、背景音乐等。

• 音频长度30s-60s。

• 音频格式为wav。

下面是我用的音频，可以参考下：

如果你的音频里有背景音乐等杂音，需要执行下面步骤进行处理，如果没有请忽略。

音频处理

勾选此选项，然后会自动进入声音处理界面。

第一步拖拽需要处理的音频。第二步根据说明来选择对应的模型，一般选择HP3就足够了。第三步选择导出文件格式为WAV。

然后点击转换，耐心等待一会儿。

当输出信息这一栏有Success字样就完成了音频的处理。

可以在项目路径下：output--uvr5_opt文件夹下找到处理的两个音频文件。一个是伴奏，一个是人声。我们训练需要用到人声部分。

处理完毕后我们来到主界面将这个选项关闭。

音频切分

这里填入准备好的音频路径。然后点击开启语音切割。

切分好的音频在GPT-SoVITS-main/output/slicer_opt文件夹内。

音频降噪

这一步根据你的音频质量来，如果噪音不大，此步骤可以忽略不执行。

这里填入上一步切分好的音频路径。点击开启语音降噪。

降噪完成。

降噪完成的音频文件在GPT-SoVITS-main/output/denoise_opt文件夹内。

音频打标

这一步只需要填写输入文件夹路径。如果你音频降噪过，那么是GPT-SoVITS-main/output/denoise_opt文件夹，如果你切分了没有降噪，那么是GPT-SoVITS-main/output/slicer_opt文件夹。其他选项保持默认，然后点击开启离线批量ASR。

补充：这里模型选项默认是中文，如果你想训练中英混合的模型、日文、韩文等其他语言。你需要在ASR模型选项选择Faster Whisper (多语种)，ASR语言设置选择auto。

校对标注

这一步比较费时间，如果不追求极致效果，可以忽略这一步。

填入标注文件的路径。GPT-SoVITS-main/output/asr_opt/denoise_opt.list

勾选是否开启打标WebUI

然后会跳转到打标网页，红框区域是根据音频生成对应的文字。黄框区域是对应的音频。这一步要做的是试听，然后根据音频来修改前面的文字和断句。

比如我们根据音频在句子中增加，来断句。

修改前：

修改后：

修改完后需要点击Submit Text和Save File来保存。

如果你的音频文件很长，你需要进行翻页操作对每句话进行校对，Previous Index 和 Next Index是上一页和下一页。

当你校对完成后，记得保存，随后关闭这个页面就可以了。回到主界面，关闭勾选。

output目录文件夹介绍。没执行过降噪或者是音频处理就不会有denoise_opt、uvr5_opt文件夹。

模型训练

训练集格式化

接下来开始训练模型，点击GPT-SoVITS-TTS进入新的界面。

选择训练格式化工具这一栏。在训练模型前我们需要对数据集进行修改操作。

这里填写标注文件的路径GPT-SoVITS-main/output/asr_opt/denoise_opt.list

点击一键三连。其他开启文本获取、开启ssl提取、开启语义token提取选项不用执行。一键三连会自动执行上述步骤。

执行完毕后我们可以看到GPT-SoVITS-main/logs文件夹下会生成一个跟模型名一样的文件夹。（模型名称可以修改，不要用中文）

微调训练

进入微调训练这一栏

这里需要调整SoVITS训练参数和GPT训练参数，每张显卡的batch_size和总训练轮数我这里设置的是15，总训练轮数一般设置成10。这两个参数根据电脑配置来自行调整。训练轮数千万不能高于20。学习率保持默认值。保存频率设置为5。其他选项为默认。

然后先点开启SoVITS训练，训练完后再点开启GPT训练，不可以一起训练（除非你有两张卡）！如果中途中断了，直接再点开始训练就好了，会从最近的保存点开始训练。

两个训练都完成后我们可以去模型文件夹确认下。两个训练生成的模型分别在GPT-SoVITS-main/SoVITS_weights 和 GPT-SoVITS-main/GPT_weights文件夹内。

模型推理

来到推理界面

点击刷新模型路径。

选择对应的模型，e代表轮数，s代表步数。不是轮数越高越好，这里我选择了最低的轮数5进行推理。如果你选择轮数为5的推理后的音频效果不理想，可以选择更高轮数的模型。

勾选打开推理界面。

推理界面

确认下模型是否跟我们刚才选的一样。

然后上传一段参考音频，建议是数据集中的音频。最好5秒。参考音频很重要！会学习语速和语气，请认真选择。

这里我选择的是降噪切分后的音频。

参考音频的文本是参考音频说什么就填什么，语种也要对应。

接着就是输入要合成的文本了，注意语种要对应。切分选择凑50字一切，没超过50字的不会切。然后点击合成语音。

生成的语音

如果你要合成的文本中有英文，你需要选择对应的语种。

如果你发现选择中英混合或者其他语种推理的音频效果不太理想，你的准备音频可以是中英混合的，中文掺杂着英文，然后生成标注的时候就选择多语种。

至此，我们训练好了一个声音模型并可以用它生成任何音频。

整合包获取

关注公众号,发送0301关键字获取整合包

常见问题：

如何训练第二个模型？

将以下几个路径下的文件移走或者删除。否则第二次训练的时候会造成数据混淆。

标注文件夹GPT-SoVITS-main/output/asr_opt

噪音音频切分文件夹GPT-SoVITS-main/output/denoise_opt

音频切分文件夹GPT-SoVITS-main/output/slicer_opt

如果你第二次不修改模型名字，那你需要将GPT-SoVITS-main/logs/文件夹内的模型同名文件夹移走或删除。也可以直接修改模型名字。

如何分享我训练的模型？

将下面这两个路径下的文件粘贴到别人的同样的目录下即可。

GPT-SoVITS-main/SoVITS_weights

GPT-SoVITS-main/GPT_weights

怎么样才算训练好一个模型？

这个问题其实没有一个准确答案，模型的训练取决于你的数据集质量、时长，轮数，等因素。每次训练完成后听下看看是否满足你的心里预期。如果你的模型推理出来的效果一直不理想，你应该重点关注下你的数据集是否有问题。

感谢

本次的分享结束啦，最后感谢樱子老师、阳光老师、贝贝老师、翅膀同学提供的音频素材。

本文出现的所有音频仅供参考，未经授权禁止商用。

如果本文对您有帮助，还请点个赞，感谢您的阅读。