Ubuntu命令行部署GPT-SoVITS语音合成指南

Ubuntu命令行部署GPT-SoVITS语音合成指南

在远程服务器上做语音合成，最头疼的莫过于没有图形界面——WebUI再炫酷也用不了。这时候，纯命令行就成了唯一的出路。本文记录的就是这样一个实战流程：如何在无GUI的Ubuntu环境中，从零开始部署GPT-SoVITS，完成音频预处理、文本识别（ASR）、推理生成等核心任务。

GPT-SoVITS 是当前少有的支持少样本语音克隆 + 跨语言TTS合成的开源项目。仅需约1分钟高质量语音数据，就能训练出音色高度还原、语义连贯的个性化语音模型。它结合了 GPT 的上下文建模能力与 SoVITS 的高保真声学结构，在自然度和表现力方面都达到了业界领先水平。

🔗 参考资料：GitHub 仓库 | 语雀中文文档

下载并解压项目包

推荐直接使用官方发布的整合版压缩包，避免手动克隆代码、逐个下载模型文件带来的版本错配问题。

前往 GitHub Releases 页面，下载最新版本的GPT-SoVITS-xxx.7z文件（例如GPT-SoVITS-beta0706fix1.7z），上传至服务器后执行以下命令：

# 安装 p7zip 支持 .7z 格式 sudo apt install p7zip-full -y # 解压 7z x GPT-SoVITS-beta0706fix1.7z

解压后的目录结构如下（关键路径已标注）：

├── api.py ├── batch_inference.py ├── config.py ├── Docker ├── docs ├── ffmpeg.exe ├── GPT_SoVITS # 主要代码模块 ├── GPT_weights # 存放训练后的 GPT 模型（.ckpt） ├── SoVITS_weights # 存放训练后的 SoVITS 模型（.pth） ├── output # 输出目录 │ ├── uvr5_opt # 去噪后音频 │ ├── asr_opt # ASR识别结果 │ ├── slicer # 音频切片 │ └── result # 最终合成音频 ├── tools # 工具脚本集合 └── requirements.txt

⚠️ 注意事项：

• 使用 Linux 原生命令7z解压，不要通过 Windows 打包后再传，容易导致路径或权限异常。
• 确保当前用户对工作目录有读写权限，否则后续步骤会失败。

配置 CUDA 环境（PyTorch + cu118）

GPT-SoVITS 推理依赖 PyTorch 和 GPU 加速。以下是基于CUDA 11.8 + PyTorch 2.1.1的完整配置流程。

1. 安装系统依赖

sudo apt update sudo apt install -y ffmpeg libsox-dev python3-pip

FFmpeg 用于音频格式转换，libsox 提供底层音频处理支持，这两者是 ASR 和 TTS 流程中不可或缺的基础组件。

2. 创建 Conda 虚拟环境（推荐）

为避免依赖冲突，建议创建独立虚拟环境：

conda create -n gptsovits python=3.9 -y conda activate gptsovits

3. 安装 PyTorch（CUDA 11.8）

pip3 install torch==2.1.1 torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

这个命令会自动安装适配 CUDA 11.8 的 PyTorch 版本。如果你的显卡驱动较旧，请先确认是否支持该版本 CUDA。

4. 安装项目依赖

进入项目根目录运行安装脚本：

bash install.sh

如果遇到ffmpeg版本过高导致报错（如某些 sox 操作失败），可以降级安装：

conda install -c conda-forge 'ffmpeg<7'

5. 验证安装成功

运行以下 Python 代码检查环境是否正常：

import torch print(torch.__version__) print(torch.cuda.is_available()) # 应返回 True

若输出类似2.1.1和True，说明 GPU 环境已就绪。

准备参考音频

这是整个语音克隆流程的起点：你需要一段清晰、无背景噪音的原始语音作为“音色模板”。

建议满足以下条件：

• 时长：5～10秒为佳（越短越好，但需包含足够语音特征）
• 格式：WAV（PCM 16bit 单声道，采样率 16kHz 或 32kHz 均可）
• 内容：自然朗读句子，避免极端情绪、口齿不清或机械朗读

将音频命名为ref_audio.wav并放入输出目录：

cp /path/to/your/audio/ref_audio.wav ./output/

这一步看似简单，实则非常关键——音质差、背景杂音多的参考音频会导致后续所有环节效果下降，甚至无法收敛。

步骤一：分割音频（slice_audio.py）

长音频需要按静音段自动切分为多个片段，便于后续 ASR 处理。GPT-SoVITS 提供了tools/slice_audio.py脚本来完成这一任务。

查看其参数说明：

对于 16kHz 音频，常用参数组合如下：

python tools/slice_audio.py \ ./output/ref_audio.wav \ ./output/slicer \ -34 5000 200 10 300 \ 1.0 0.8 0 1

解释：
--34: 小于 -34dB 视为静音
-5000: 每段至少 5000 个采样点 ≈ 0.3秒（16kHz）
-200: 最小间隔 200 个采样点
-10: hop_size 控制检测粒度
-300: 切割后最多保留 300 个采样点的静音

执行后会在./output/slicer/下生成若干.wav切片文件，每个代表一个语音片段。

💡 实践建议：如果切得太碎，会影响 ASR 准确性；切得太少，则可能遗漏有效信息。可根据实际听感微调threshold和min_length。

步骤二：语音识别 ASR（funasr_asr.py）

接下来要用 FunASR 模型将切片音频转录成对应的文字内容。

脚本位于tools/asr/funasr_asr.py，主要参数如下：

运行命令：

python tools/asr/funasr_asr.py \ -i ./output/slicer \ -o ./output/asr_opt

生成的结果文件为asr_opt/slicer.list，格式如下：

<音频路径>|<说话人名称>|<语言>|<识别文本>

示例：

./output/slicer/ref_audio_0000000000_0000220480.wav|ref_speaker|ZH|大家好，我是今天的讲解员。

✅ 提示：若识别结果不准，可手动编辑.list文件修正文本内容。这一点在调试阶段尤为重要——错误的文本输入会直接影响最终合成质量。

步骤三：推理生成语音（inference_cli.py）

这才是真正的“魔法时刻”——利用已有模型和参考音色，合成你想要的语音。

推理脚本参数说明

GPT_SoVITS/inference_cli.py支持以下参数：

示例操作流程

1. 准备目标文本

创建一个待合成的文本文件：

echo "Hello world，欢迎使用 GPT-SoVITS 语音合成系统。" > ./output/target_text.txt

2. 准备参考文本

从 ASR 结果中提取对应文本，写入文件：

echo "大家好，我是今天的讲解员。" > ./output/ref_text.txt

3. 执行推理命令

使用项目自带的预训练模型进行测试：

python GPT_SoVITS/inference_cli.py \ --gpt_model "./GPT_SoVITS/pretrained_models/s1bert25hz-2kh-longer-epoch=68e-step=50232.ckpt" \ --sovits_model "./GPT_SoVITS/pretrained_models/s2G488k.pth" \ --ref_audio "./output/slicer/ref_audio_0000000000_0000220480.wav" \ --ref_text "./output/ref_text.txt" \ --ref_language "中文" \ --target_text "./output/target_text.txt" \ --target_language "中英混合" \ --output_path "./output/result"

等待几秒至数十秒（取决于文本长度和 GPU 性能），即可在./output/result/中看到生成的.wav文件。

🎧 听觉建议：首次合成建议控制目标文本在 20 字以内，避免因上下文过长导致节奏混乱或发音失真。

使用 API 接口调用合成服务

除了 CLI 方式，也可以启动 API 服务实现动态调用，更适合集成到其他系统中。

启动 API 服务

python api.py -p 9880 -bind 0.0.0.0

💡 参数说明：

• -p: 指定端口，默认 9880
• -bind: 绑定 IP，设为0.0.0.0可远程访问（注意防火墙和安全策略）

服务启动后，可通过 HTTP POST 请求调用/tts接口。

API 请求参数说明

Python 调用示例

import requests def tts_api(text, filename): url = "http://localhost:9880/tts" data = { "text": text, "text_language": "zh", "ref_audio_path": "./output/slicer/ref_audio_0000000000_0000220480.wav", "prompt_text": "大家好，我是今天的讲解员。", "prompt_language": "zh", "cut_punc": "，。！？" } response = requests.post(url, json=data) if response.status_code == 200: with open(filename, 'wb') as f: f.write(response.content) print(f"✅ 音频已保存为 {filename}") else: print("❌ 请求失败:", response.json()) # 测试调用 tts_api("这是一次通过 API 实现的语音合成测试。", "api_output.wav")

这种方式特别适合构建语音播报系统、智能客服机器人等自动化场景。

常见问题与解决方案

❌ 报错：KeyError: ‘-’ 或其他符号无法识别

现象：
当输入文本包含连字符-、括号()、数字缩写等特殊字符时，ASR 或 TTS 模块抛出 KeyError。

原因：
英文 G2P（Grapheme-to-Phoneme）词典未收录某些符号，导致查询失败。

解决方法：

1. 替换符号（推荐临时方案）：

bash sed -i 's/-/ /g' target_text.txt

2. 更新代码补丁：

查看 GitHub PR #1454，已修复该问题。可拉取最新代码重新安装：

bash git clone https://github.com/RVC-Boss/GPT-SoVITS.git cd GPT-SoVITS git pull origin main bash install.sh

3. 自定义词典扩展（高级）：

修改GPT_SoVITS/text/english.py中的 CMU 词典映射表，添加缺失词条。

⚠️ 音质不佳？试试这些优化技巧

🛠️ 工程经验：我发现很多“发音不准”的问题其实源于参考文本与目标文本的语言风格不一致。比如用正式新闻体去合成口语化表达，模型很难把握语调变化。尽量让两者风格接近，能显著提升自然度。

📦 模型路径管理建议

随着项目迭代，你会积累多个训练模型。建议建立统一模型管理目录：

mkdir -p models/{gpt,sovits} cp pretrained_models/*.ckpt models/gpt/ cp pretrained_models/*.pth models/sovits/

然后在脚本中引用：

--gpt_model "models/gpt/s1bert25hz-2kh-longer-epoch=68e-step=50232.ckpt" --sovits_model "models/sovits/s2G488k.pth"

这样不仅便于切换不同模型，还能避免路径混乱导致的加载失败。

这种高度集成的设计思路，正推动着个性化语音合成技术向更轻量、更高效的方向演进。无论你是想打造专属语音助手，还是搭建自动化播报系统，GPT-SoVITS 都是一个值得深入探索的技术底座。