数字人之声音克隆：无样本，1分钟样本完美克隆声音，开源

最近在搞克隆人，发现一个很好的声音克隆项目，测试了一下，效果真不错，可以直接用，也可以微调后使用，好了废话不多说，直接上干活，哈哈~~

首先这次直接说项目：GPT-SoVITS

项目功能介绍：

1.

零样本文本到语音（TTS）：输入 5 秒的声音样本，即刻体验文本到语音转换。

2.

少样本 TTS：仅需 1 分钟的训练数据即可微调模型，提升声音相似度和真实感。

3.

跨语言支持：支持与训练数据集不同语言的推理，目前支持英语、日语和中文。

4.

WebUI 工具：集成工具包括声音伴奏分离、自动训练集分割、中文自动语音识别(ASR)和文本标注，协助初学者创建训练数据集和 GPT/SoVITS 模型

项目环境要求：

·

Python 3.9、PyTorch 2.0.1 和
CUDA 11

·

Python 3.10.13, PyTorch
2.1.2 和 CUDA 12.3

·

Python 3.9、Pytorch 2.3.0.dev20240122 和 macOS 14.3（Apple 芯片）

注意:
numba==0.56.4 需要 python<3.11

最让我欣喜的是 windows 有一键包，文末我给大家准备好了，不需要你去爬梯子下载了

注意一点下载并将ffmpeg.exe和ffprobe.exe放置在 GPT-SoVITS 根目录下。

声音克隆训练过程

这里针对win cuda 介绍，下载我给你的一键包后点击go-webui.bat，直接启动

启动后界面如下：

首先从数据开始：

如果你想克隆一个人的声音，你可以找到一段这个人的演讲录音，或者视频，当然不同资源需要不同的处理

如果是视频，可以使用 人声分离，如下图，点击这个就会弹出

弹出如下界面，可以对你的视频提取人声

这个提取部分，作者集成了好几个模型，都可以根据需求选择，简单说一下

·

模型分为三类：

1、保留人声：不带和声的音频选这个，对主人声保留比HP5更好。内置HP2和HP3两个模型，HP3可能轻微漏伴奏但对主人声保留比HP2稍微好一丁点；

2、仅保留主人声：带和声的音频选这个，对主人声可能有削弱。内置HP5一个模型；

3、去混响、去延迟模型（by FoxJoy）：

  (1)MDX-Net(onnx_dereverb):对于双通道混响是最好的选择，不能去除单通道混响；

 (234)DeEcho:去除延迟效果。Aggressive比Normal去除得更彻底，DeReverb额外去除混响，可去除单声道混响，但是对高频重的板式混响去不干净。

去混响/去延迟，

我是找了一段互联网大佬的演讲声音，这里就不需要人声分离了，哈哈~

回到主界面，直接进行声音切割

首先输入原音频的文件夹路径（不要有中文），如果刚刚经过了UVR5处理那么就是uvr5_opt这个文件夹。然后建议可以调整的参数有min_length、min_interval和max_sil_kept单位都是ms。min_length根据显存大小调整，显存越小调越小。min_interval根据音频的平均间隔调整，如果音频太密集可以适当调低。max_sil_kept会影响句子的连贯性，不同音频不同调整，不会调的话保持默认。其他参数不建议调整。

接下来是，语音转文字，使用ASR，这个地方 ASR模型，你可以选中文或者多语种，多语种用的Faster Whisper，这个作者没有集成，使用时会自动下载

输入上一步切割的语音，直接点击启动，然后静待一会

作者还给了语音文本校对标注工具如果转换的不对，可以人工校对

选择打开后自动弹出界面，很简单这里步赘述了，哈哈~

接下来是数据格式化和微调了

如上图，在TTS卡下，给这次训练一个名字，不要中文，不要中文，不要中文，重要的事情说三遍，训练格式化，需要输入，转换的文本和音频数据

然后进行三项处理

接下来开始微调训练

注意需要根据你的卡的大小，选择 bs和epoch，然后开启SoVITS训练，我们只克隆语音，所以没有训练GPT

训练完后，模型会保存在GPT-SoVITS-beta\logs\下，有两个模型，G和D，

测试效果
训练完当然要测试一下，哈哈~

训练完后，在上图这个地方，点击【刷新模型路径】，模型列表中就会有你的新模型了,然后勾选 【是否开启TTS推理webui】，会自动弹出使用界面

然后上传一段参考音频，建议是数据集中的音频。最好5秒。参考音频很重要！会学习语速和语气，请认真选择。参考音频的文本是参考音频说什么就填什么，语种也要对应。

然后上传一段参考音频，建议是数据集中的音频。最好5秒。参考音频很重要！会学习语速和语气，请认真选择。参考音频的文本是参考音频说什么就填什么，语种也要对应。

效果

原声音：

克隆人,世界大模型,5秒

默认模型效果：

训练前,世界大模型,13秒

训练后效果：

训练后,世界大模型,5秒

对比效果还是有一定提升的，主要是我训练轮数也不高，大家可以自己试试，哈哈，~ 效果出乎意料，中英文都可以幺~git地址：

https://github.com/RVC-Boss/GPT-SoVITS/tree/main

出自：https://mp.weixin.qq.com/s/NXqLAwcinXg6aqueaiuk1g

如果你想要了解关于智能工具类的内容，可以查看 智汇宝库，这是一个提供智能工具的网站。
在这你可以找到各种智能工具的相关信息，了解智能工具的用法以及最新动态。