GPT-SoVITS 教程：1 分钟录音克隆音色，原生 48k 合成

GPT-SoVITS 教程：1 分钟录音克隆音色，原生 48k 合成

【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

GPT-SoVITS 是一款少样本 TTS 引擎：5 秒参考音频可零样本克隆音色，1 分钟录音即可微调出专属声音。v4 原生输出 48kHz 音频，v2ProPlus 在 RTX 4090 上 RTF 低至 0.014，1400 词文本仅 3.36 秒合成完，支持中、英、日、韩、粤五种语言。

三步装好环境与模型

环境门槛为 conda + Python 3.10，显卡需支持 CUDA 12.6/12.8，ROCm、MPS 与纯 CPU 也能跑。

git clone https://gitcode.com/GitHub_Trending/gp/GPT-SoVITS cd GPT-SoVITS bash install.sh --device CU128 --source HF

• --device按硬件选 CU126/CU128/ROCM/MPS/CPU；--source选下载源，国内网络建议 ModelScope
• 脚本会把预训练模型拉进 GPT_SoVITS/pretrained_models/，v4 需确认含gsv-v4-pretrained/s2Gv4.pth与vocoder.pth
• 追加--download-uvr5可顺带下载人声分离模型

🔊 让第一条声音 5 分钟内出来

1. 安装完执行python webui.py，浏览器打开端口 9874 的 WebUI
2. 选择零样本模式，上传 5 秒左右的干净参考音频
3. 模型下拉框选 v4，输入一段中文文本
4. 点击合成，听到输出音即代表整条链路可用

拆解 48k 音质背后的三个机制

• 整数倍上采样链：GPT_SoVITS/configs/s2v2ProPlus.json 中各上采样阶段为 10、8、2、2、2，v3 的金属音正来自非整数倍上采样，该配置从根源消除；BigVGAN 直接产出 48k 音频，v3 仅 24k
• 两段式结构：GPT 模型负责语义与韵律，SoVITS 负责声学细节；预训练语料从 2k 小时扩到 5k 小时，1 分钟数据微调即明显优于零样本
• 半精度默认开启：GPT_SoVITS/configs/tts_infer.yaml中is_half: true，新显卡下推理更快、显存更省

按需调整三个开关

• 训练集音质一般 → 模型下拉框改选 v2Pro 系列 → 音质接近 v4，硬件占用与速度等同 v2
• 显存不足 → 关闭半精度改跑 FP32 → 合成不再溢出；SM 6.1 以上新卡保留 FP16 换速度
• 无 GPU → 用GPT_SoVITS/export_torch_script.py导出优化模型再推理 → 长文本分段合成，参考音频保持 5 秒左右

匹配三类落地场景

• 短视频/播客创作者：录 1 分钟自己的声音微调，后续口播由模型生成，48k 成品无需升采样直接交付
• 跨语言配音：中文素材训练，推理时切换日语、韩语、英语文本；WebUI 自带 UVR5 分离、自动切分、ASR 标注，一套流程攒出训练集
• 旧音频翻新：先经tools/uvr5/分离人声、tools/cmd-denoise.py降噪，再合成替代配音，适合影视二创与配音修复

对照表格排查常见故障

1. 先用 5 秒参考音频跑一次零样本合成，确认整条链路通了
2. 录 1 分钟干净人声微调，对比相似度差异
3. 升级版本前先看 docs/en/Changelog_EN.md 的更新记录

【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