GPT-SoVITS | 1分钟微调中文声音克隆教程
这篇文章带你了解如何使用这个最新且强大的声音克隆开源项目：GPT-SoVITS
GPT-SoVITS: https://github.com/RVC-Boss/GPT-SoVITS
Colab: https://colab.research.google.com/github/RVC-Boss/GPT-SoVITS/blob/main/colab_webui.ipynb
前言
今天测试了下一个开源的声音克隆开源项目：GPT-SoVITS，深感强大。特此记录一下。
GPT-SoVITS: https://github.com/RVC-Boss/GPT-SoVITS
Colab: https://colab.research.google.com/github/RVC-Boss/GPT-SoVITS/blob/main/colab_webui.ipynb
使用Colab的视频教程可参考youtube：https://www.youtube.com/watch?v=8JFUl2pFDAA&t=3s
1. 使用Colab
使用google Colab notbook 方式，可以不用占用自己本地资源，它的详细教程可以参考我贴的视频：https://www.youtube.com/watch?v=8JFUl2pFDAA&t=3s
2. 使用windows 本地训练
进入作者的github 仓库： https://github.com/RVC-Boss/GPT-SoVITS/tree/main
在readme中找到下面链接：prezip
把它下载下来，并解压。解压完成后进入目录，双击文件go-webui.bat。如果一切顺利的话会直接跳转到web界面
1. 前置数据准备
1. UVR5人声伴奏分离&去混响去延迟工具
准备1分钟左右的人声数据音频文件，最好是纯人声，不要有bgm。如果有bgm的话，则需要进行人声伴奏分离，如下勾选按钮触发
加载成功后可以在终端中看到url。一般会直接跳转，如果没有跳转，则直接复制url到浏览器打开即可。
然后打开需要进行分离的音频==》选择模型，模型选择在web界面中有建议，这里我直接使用HP5模型==》接着选择输出格式，一般MP3即可。==》完成后点击转换===》最后转换完成即可在保存路径中看到，默认保存在output/uvr5_opt。
2. 语音切分
注意，把刚才只有人声的音频文件路径复制到下面方框内，其他参数保持默认，点击开启语音切割。
切割结束后可以在目录里的output/slicer_opt 里面找到。
3. 中文批量离线ASR工具
把刚才output/slicer_opt的完整路径复制到下面方框，点击开启离线批量ASR，等待任务完成即可。
任务完成后，可以在GPT-SoVITS-beta\output\asr_opt下面找到
4. 语音文本校对标注工具
对上面处理好的asr list，可以打开语音文本校对标注工具进行校准。输入刚才生成的list文件路径，触发即可。
2. TTS 微调
1. 训练集格式化
如上图，给微调的模型取个名字（不要中文），将之前处理好的数据list文件路径和切割后的音频目录分别填在2，3中。其他参数保持默认，最后点击开启一键三连. 如果第4步报错，则再点击一次重新运行看看。
2. 微调训练
进入微调训练面板
依次点击开启soVITS训练和gpt训练即可。
成功之后可以在SoVITS_weights和\GPT_weights目录里面找到训练好的模型。数字最大的哪个模型就是最终训练的模型，其他的都属于训练过程中保存的。
3. 推理
最后一步，就是使用训练好的模型进行推理了。
进入推理面板，首先刷新模型路径，刷新之后，可以找到刚才训练的模型，然后分别选择刚才训练好的gpt和sovits模型文件，点击开启TTS 推理webUI，稍等片刻，便可在终端中找到web ui url的地址。打开后是如下web ui界面
首先需要填入的就是第一步前置数据处理时切分的音频，随便选择一个填入，并将对应的文本填入。这里我处理的音频是中文，所以选择中文。
在下面输入自己想合成的文本，切分方式可以挨个尝试，看看什么方式效果更好。点击合成，稍等片刻后就可以查看合成的效果啦。个人认为合成后的效果还不错嘿嘿。
以上就是详细的使用步骤了。