GPT-SoVITS 实战：1 分钟语料完成语音合成模型训练
【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 是一个少样本语音克隆的语音合成工具，用 1 分钟左右的干净语料，就能训练出效果可用的 TTS 模型。典型场景：
- 为角色、主播克隆专属音色
- 免费 GPU 上低成本微调语音模型
- 批量合成多语言配音音频
下面从环境搭建开始，带你完整跑通全流程。
环境准备与一键启动
克隆项目仓库
把源码拉到本地。
git clone https://gitcode.com/GitHub_Trending/gp/GPT-SoVITS cd GPT-SoVITS目录里出现webui.py、install.sh 即表示克隆完成。
创建独立的 Python 环境
项目依赖 Python 3.10，用 conda 隔离，避免污染系统环境。
conda create -n GPTSoVITS python=3.10 -y conda activate GPTSoVITS终端提示符前出现(GPTSoVITS)即表示环境已激活。
安装依赖并下载预训练模型
运行 install.sh 一次性装好 PyTorch 并拉取预训练权重。--device按你的 CUDA 版本选，--source按网络情况选。
bash install.sh --device CU126 --source HF --download-uvr5脚本结束且没有红色[ERROR]输出，即表示安装成功。
模型与数据准备
对比三个模型权重下载源
| 来源 | 适用场景 | 命令前缀 |
|---|---|---|
| HF | 海外服务器、直连 Hugging Face 正常 | bash install.sh --source HF |
| HF-Mirror | 国内访问 HF 慢，走镜像加速 | bash install.sh --source HF-Mirror |
| ModelScope | 国内服务器首选，无需代理 | bash install.sh --source ModelScope |
三个源只是下载通道，落到本地的文件完全一致。
校验下载的模型文件
预训练权重统一放在GPT_SoVITS/pretrained_models/，确认关键文件存在且非零体积。
ls -lh GPT_SoVITS/pretrained_models/chinese-hubert-base GPT_SoVITS/pretrained_models/chinese-roberta-wwm-ext-large两条目录都有几百 MB 到数 GB 的条目，说明权重完整。
放置待训练的音色数据
原始音频和对应文本清单放到同一目录，例如logs/slicer_opt存切片音频，同级放一份文本文件。切片、降噪、人声分离都可在 webui.py 的主界面里点按钮完成，对应 tools/slice_audio.py、tools/cmd-denoise.py、tools/uvr5/webui.py。
核心训练与推理流程
数据预处理：三步特征提取
在 WebUI 的"0-数据集获取"页依次执行，背后对应三个脚本：
python GPT_SoVITS/prepare_datasets/1-get-text.py python GPT_SoVITS/prepare_datasets/2-get-hubert-wav32k.py python GPT_SoVITS/prepare_datasets/3-get-semantic.py第一步做文本分词，输出2-name2text.txt；第二步提取自监督语音特征；第三步提取语义 Token，输出6-name2semantic.tsv。三个文件都在实验目录下，是后面训练的输入。
配置训练超参数
S1（GPT）阶段读 GPT_SoVITS/configs/s1longer-v2.yaml，S2（SoVITS）阶段读 GPT_SoVITS/configs/s2.json。在 WebUI 的"1A/1B"页填好实验名后，参数会写入临时配置，无需手改仓库文件。
| 参数 | 默认值 | 调大/调小的影响 |
|---|---|---|
| batch_size | S1 为 8，S2 为 32 | 调大显存占用更高、单步更稳；调小可救显存，但收敛变慢 |
| epochs | S1 为 20，S2 为 100 | 调大音色更像但易过拟合；调小则学习不充分 |
| learning_rate | S1 为 0.01，S2 为 0.0001 | 调大收敛快但易震荡；调小更稳但耗时 |
| save_every_n_epoch | 1 | 调大减少磁盘占用；调小留更多历史权重可回退 |
| text_low_lr_rate | 0.4 | S2 专用，控制文本嵌入的学习速率，一般不动 |
执行训练：先 S1 后 S2
S1 训练语义模型，S2 训练声学模型，顺序不能反。
python GPT_SoVITS/s1_train.py --config_file /tmp/tmp_s1.yaml python GPT_SoVITS/s2_train.py --config /tmp/tmp_s2.json直接命令行跑的话，先用 WebUI 生成一次临时配置，把里面的路径抄出来即可；更省事的办法是全程用 WebUI 按钮，它会替你拼好命令。
效果验证：跑一次最小合成
训练完成后，用 GPT_SoVITS/inference_cli.py 合成一句试听：
python GPT_SoVITS/inference_cli.py --gpt_model GPT_weights/我的实验-e10.ckpt --sovits_model SoVITS_weights/我的实验_e10_s500.pth --ref_audio logs/slicer_opt/0001.wav --ref_text logs/ref_text.txt --output_path out_wavout_wav目录生成若干.wav文件，人声与参考音色接近、无明显电流音，即验证通过。
部署与模型导出
启动 WebUI：
export is_share=True && python webui.py本地访问http://localhost:9874，TTS 推理页在 9872 端口；is_share=True时会额外给出一条公共链接，适合 Colab 免费 GPU 部署。
批量合成用一行命令：
python GPT_SoVITS/inference_cli.py --gpt_model 权重.ckpt --sovits_model 权重.pth --ref_audio 参考.wav --ref_text 参考文本.txt --output_path 输出目录模型导出为 ONNX 用 GPT_SoVITS/export_torch_script.py，参数与上面推理命令相同，产物输出到指定目录。
踩坑速查
显存 OOM
现象：训练中途报 CUDA out of memory。
原因：batch_size 超过当前显存上限。
解法：
# 在 WebUI 的 1B 页把 batch size 减半，S2 页可勾选开启梯度检查点训练中断后丢失进度
现象：Colab 掉线，任务重跑后从零开始。
原因：换了实验名或输出目录，找不到旧断点。
解法：保持实验名不变。S1 会自动加载logs_s1/*/ckpt下最新断点，S2 自动加载G_*.pth，重跑同一目录即断点续训。
预训练模型文件缺失
现象：启动时报"以下模型不存在"警告。
原因：安装时跳过了模型下载或选错源。
解法：
bash install.sh --device CU126 --source ModelScope文本文件与音频对不上
现象：第一步特征提取后得到空文本文件，训练失败。
原因：文本文件里的文件名和音频文件名不一致。
解法：
# 用 WebUI 的语音切分功能重新生成，它会同步产出音频和对应文本文件【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
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
