GptSoVits音频教程_gpt-sovits显存12g

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。

新测试，过长的音频会出现漏字和多读的问题，这不是vits的问题，不管是数字人还是音频都会出现刚开始很好，越来越差的情况。这种情况不是问题，分步用短的音频或者视频合成，然后在将多段短音频合并就能得到完美的结果。

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（【他的切分效果不怎么好，用他的可能在音频语速过快或不清晰的情况下合成的模型会导致丢字问题。】，建议用我下面给的博客切分，）

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