GPT-SoVITS声音克隆

GPT-SoVITS软件下载

打开路径https://github.com/RVC-Boss/GPT-SoVITS

向下找到Windows部分，有"download the package here"字样；进入后下载整合包

下载解压后放在纯英文的目录下逐个打开子文件夹，找到go-webui.bat批处理文件；

它会以浏览器的方式打开操作web页面；

如何训练自己的模型

• 如果有现有的声音片段，可以利"开启人声分离WebUI"将背景音和噪杂的的声音分离出来。
• 如果需要分离的声音元素比较简单，可以选择HP2-all_vocals;
• 如果需要分离的声音元素比较复杂，它只会提取主要人声，尽可能的忽略或过滤掉其它声音，可以选择HP5-only_main_vocal;
• model_bs_roformer_ep_317_sdr_12.9755这个模型分离出来的音频质量非常高，但是计算量大，速度会慢一些；
• 下面的则是云回声、混响这些；

注：可以先用model_bs_roformer_ep_317_sdr_12.9755这个模型处理一遍，把人声提取出来。然后再用onnx—dereverb_By_FoxJoy这个模型做第二遍处理。最后用VR_DeEchoAggressive去混响，效果会更好。

声音分离操作完成后点击"关闭人声分离WebUI"节省缓存；

拿到纯净的声音后，我们还需要把它切成一个个10秒内的短句，输入音频自动切分输入路径，然后点"开启语音切分"就可以了。

打开切分后的输出目录，每一个语音片段时间要控制在10秒内，否则会报显存错误。

开启语音识别就是把语音转成文本，将上一步切分的10秒内的语音转成文本。

如果生成的语音文本不够准确，还需要对每一段音频对应的文字是什么进行打标，输入上一步生成的文本路径，点击开始音频标注WebUI；

此时会打开一个新的web页面，点击播放语音与左侧的文本对比，如果有错误的地方将其修改；保证播放的语音与文本一致；修改完以后点一下submit Text提交后才能点击下一页Next Index；直到全部标注完成，此时就可以点击"关闭音频标注"按钮了。【这一步很关键，直接关系到克隆的声音是否清晰】

前期工作都完成后就可以训练模型了。

点击"GPT-SoVITS-TTS"输入一个自己的模型名，选择一个模型的版本；

然后点击"开启训练集格式化一键三连"就可以了。

正式训练模型

点击"微调训练"需要进行SoVITS和GPT训练；训练完SoVITS后再训练GPT。【中配显卡1分钟的音频大概需要1~2分钟】

训练好的模型怎样使用

点击微调训练旁边的1C推理，选择训练好的GPT和SoVITS模型，点击开启TTS推理WebUI界面;

上传一段参考音频，它能让你的AI模仿这段参考音频的情感，语速和语调。上传参考语音以及参考语音对应的文本信息；再输入你想要说的话，点击合成语音。