【亲测免费】 GPT-SoVITS 开源项目教程

1. 项目介绍

GPT-SoVITS 是一个基于 GPT 模型的文本转语音（TTS）系统，它实现了仅需极少量语音数据（如1分钟）就能训练出高质量的TTS模型的能力，也被称为“几拍语音克隆”（few-shot voice cloning）。该项目旨在提高情感控制能力，改进英文和日文前端处理，并支持小型到大型不同规模的TTS模型。此外，还提供了WebUI界面，方便非专业人员进行语音转换和文本到语音的操作。

2. 项目快速启动

环境准备

确保已经安装了 Python 和相关依赖库，可以使用以下命令安装：

pip install -r requirements.txt

数据准备

下载预训练模型、UVR5权重以及其他可选的ASR模型，并放置在指定目录：

# 下载GPT-SoVITS预训练模型
wget -O GPT_SoVITS/pretrained_models/xxx.zip [GPT-SoVITS 预训练模型链接] && unzip GPT_SoVITS/pretrained_models/xxx.zip

# 下载UVR5权重
wget -O tools/uvr5/uvr5_weights.zip [UVR5 权重链接] && unzip tools/uvr5/uvr5_weights.zip

# 对于中国地区用户，下载Damo ASR相关模型并放置在相应位置
wget -O tools/asr/models/[Damo ASR 相关模型链接]

# 如需要英文或日文ASR，下载Faster Whisper模型
wget -O tools/asr/models/[Faster Whisper 相关模型链接]

运行WebUI

# 使用以下命令启动WebUI
python webui.py

然后在浏览器中访问 http://localhost:9873 进行操作。

文本转语音示例

若不通过WebUI，可以直接在命令行进行推理：

# 替换以下路径为你实际存放模型的位置
model_path = "path/to/model"

# 输入文本和设备信息
text = "Hello, world!"
device = "cuda" if torch.cuda.is_available() else "cpu"

# 转换文本到语音
from gpt_sovits import inference
audio = inference(text, model_path, device)

# 将音频保存到文件
import librosa
librosa.output.write_wav("output.wav", audio, sr=22050)

3. 应用案例和最佳实践

• 零样本TTS: 只需提供5秒的语音样本，即可实现即时的文字到语音转换。
• 微调优化: 对于新说话者，可以使用1分钟的训练数据对模型进行微调，以获得更接近真实声音的效果。
• 跨语言支持: 支持多种语言的转化，包括但不限于英语、日语和中文。
• 集成工具: 包括声乐伴奏分离、自动训练集分割、中文ASR和文本标注等，便于构建训练数据和GPT/SoVITS模型。

4. 典型生态项目

• UVR5: 提供歌声/伴奏分离及混响去除功能，增强了GPT-SoVITS的音质。
• Faster Whisper: 用于英文或日文的高精度ASR模型，与GPT-SoVITS结合，可用于语音识别场景。
• Damo ASR/Punc/Models: 阿里达摩院的ASR模型，适用于中文环境，有助于提升系统整体性能。

以上是GPT-SoVITS的基本介绍和启动步骤，更多详细信息和进阶用法请参考项目官方文档和示例代码。祝你在探索GPT-SoVITS的过程中一切顺利！