GPT-SoVITS 少样本声音克隆版本选型指南：v1/v2/v3/v4/v2Pro 六版本一文讲清

GPT-SoVITS 少样本声音克隆版本选型指南：v1/v2/v3/v4/v2Pro 六版本一文讲清

【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 是一个用 1 分钟人声就能克隆专属音色的少样本 TTS（语音合成）项目，但它先后推出了 v1、v2、v3、v4、v2Pro、v2ProPlus 六个版本，GPT-SoVITS 版本选型成了新手最常卡住的一步。这篇指南先把结论摆在你面前，再解释每一代为什么长这样，帮你一次选对。

先说结论：按场景对号入座

如果你不想细看下文，记住这一句：没有特殊情况，选 v2ProPlus。

三个技术代际，各讲三件事

轻量入门代：v1 与 v2 合并看

• 相对上一代的关键变化：v2 把预训练语料从约 2k 小时扩到 5k 小时，新增韩语和粤语（v1 只有中、英、日），重写了文本前端，中英混读和多音字更准，对低质量参考音频也更宽容。
• 适合谁：显存紧张的老显卡、想先跑通"1 分钟克隆声音"流程的人。v2 的社区生态最成熟，绝大多数第三方教程基于它。
• 代价：输出 32kHz 音频，音质上限不如 v3/v4；v1 已停止投入新特性，只是 v2 的前身。

音质优先代：v3 与 v4 合并看

• 相对上一代的关键变化：v3 是架构级升级——少样本甚至零样本的音色相似度明显提升，GPT 重复、漏字更少，并新增了 LoRA 训练（微调显存约 8GB，全量微调约 14GB，开梯度检查点可压到约 12GB）。v4 则是对 v3 的定向修复：解决非整数倍上采样导致的金属音，并把原生输出从 24kHz 提到 48kHz，作者自己把 v4 定义为 v3 的直接替代。
• 适合谁：显卡 ≥12GB、追求相似度与情感表达的人。
• 代价：两点。一是显存门槛高于 v2 一代；二是训练集平均音质较低时效果不佳，且合成音色更偏向参考音频本身，而不是整个训练集的风格。v3 的 24kHz 原生输出部分人会觉得偏闷，项目内置了 24k→48k 音频超分（见 tools/audio_sr.py）来缓解，但 v4 直接根治。

性能新代：v2Pro 与 v2ProPlus 合并看

• 相对上一代的关键变化：音质超过 v4，硬件成本和推理速度回到 v2 水平。v2ProPlus 的 RTF（推理耗时/音频时长）实测：4060Ti 约 0.028、4090 约 0.014，合成 1400 词（约 4 分钟）只需 3.36 秒。
• 适合谁：直播、实时 TTS、对延迟敏感的场景；它也保留了 v1/v2 同族的特性，即对平均音质一般的训练集更友好。
• 代价：比 v2 略占显存；音色风格属于 v2 家族（贴合训练集整体），如果你依赖 v3/v4 那种"贴参考音频"的效果，需要心理预期上的切换。流式推理入口在 GPT_SoVITS/stream_v2pro.py。

一张表横向对比五个版本

训练入口也按代际分开：v1/v2 走 GPT_SoVITS/s2_train.py，v3/v4 走 GPT_SoVITS/s2_train_v3.py，LoRA 训练见 GPT_SoVITS/s2_train_v3_lora.py；服务端部署时 v3/v4 可用 GPT_SoVITS/export_torch_script_v3v4.py 导出 TorchScript。

避坑清单：坑点—原因—对策

1. v2 训的模型放到 v4 上跑不了原因：GPT/SoVITS 权重按版本分目录存放（SoVITS_weights、_v2、_v3、_v4、_v2Pro、_v2ProPlus，映射逻辑见 config.py），互不通用。 对策：换版本就重新训练，底模预训练权重可以复用，不用重下全部资产。

2. 8GB 显存做 v3 全量训练直接爆显存原因：全量微调约需 14GB。 对策：走 LoRA 路线，官方支持 8GB 显存完成，这是 v3 系列对低显存声音克隆选型最友好的入口。

3. v3 听感比 v4 闷原因：v3 原生只出 24kHz，高频信息被砍掉。 对策：能升 v4 就升；短期可用项目内置的 24k→48k 超分过渡。

4. 分不清下载的预训练权重属于哪个版本原因：文件名没有版本号前缀。 对策：对照上表最后一行，或看推理默认配置 GPT_SoVITS/TTS_infer_pack/TTS.py，推理参数模板在 GPT_SoVITS/configs/tts_infer.yaml。

默认推荐与切换提醒

默认推荐：直接上 v2ProPlus——音质超 v4、速度回到 v2 水平，除非你的训练集音质很高且显卡 ≥12GB（那选 v4），或者机器实在紧张（那选 v2）。

最后提醒一个容易翻车的点：各版本模型文件隔离存放，跨版本不通用，切换版本意味着重新训练；而 v1 需要显式启动（python webui.py v1），不带参数进入的默认是 v2 及以上版本，入口是 webui.py。各代完整演进细节可查阅官方文档 docs/cn/README.md。

【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