一周前，RVC变声器创始人（GitHub昵称：RVC-Boss）发布了一款新项目，名为GPT-SoVITS。这个项目一上线就受到了互联网大佬和博主的好评推荐，仅仅在不到一周的时间里，就已经在GitHub上积累了4.1k Star。

据说，该项目是RVC-Boss与Rcell（AI音色转换技术Sovits的开发者）共同研究，历时半年，期间克服了许多困难，最终推出了这款全新的低成本易用的音色克隆工具。

接下来，让我们一起来看看这款新型音色克隆工具RVC-Boss有何特别之处吧！

项目介绍

GPT-SoVITS 是一款强大的支持少量语音转换、文本到语音的音色克隆模型。支持中文、英文、日文的语音推理。

据开发者及各大博主测验，仅需提供 5 秒语音样本即可体验达到 80%~95% 像的声音克隆。若提供 1 分钟语音样本可以逼近真人的效果，且训练出高质量的 TTS 模型！

项目地址：https://github.com/RVC-Boss/GPT-SoVITS

目前已获得 4.1k Star，看到很多人对其评价为目前最强中文语音克隆工具。

功能：

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。

环境准备

如果你是Windows用户（已在win>=10上测试），可以直接通过预打包文件安装。只需下载预打包文件，解压后双击go-webui.bat即可启动GPT-SoVITS-WebUI。

双击后就会自动弹出网页

Python和PyTorch版本

已在Python 3.9、PyTorch 2.0.1和CUDA 11上测试。

使用Conda快速安装

conda create -n GPTSoVits python=3.9
conda activate GPTSoVits
bash install.sh

手动安装包

Pip包

pip install torch numpy scipy tensorboard librosa==0.9.2 numba==0.56.4 pytorch-lightning gradio==3.14.0 ffmpeg-python onnxruntime tqdm cn2an pypinyin pyopenjtalk g2p_en chardet

额外要求

如果你需要中文自动语音识别（由FunASR支持），请安装：

pip install modelscope torchaudio sentencepiece funasr

FFmpeg

Conda 使用者

conda install ffmpeg

Ubuntu/Debian 使用者

sudo apt install ffmpeg
sudo apt install libsox-dev
conda install -c conda-forge 'ffmpeg<7'

MacOS 使用者

brew install ffmpeg

Windows 使用者

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

预训练模型

从 GPT-SoVITS Models 下载预训练模型，并将它们放置在 GPT_SoVITSpretrained_models 中。

对于中文自动语音识别（另外），从 Damo ASR Model, Damo VAD Model, 和 Damo Punc Model 下载模型，并将它们放置在 tools/damo_asr/models 中。

对于UVR5（人声/伴奏分离和混响移除，另外），从 UVR5 Weights 下载模型，并将它们放置在 tools/uvr5/uvr5_weights 中。

数据集格式

文本到语音（TTS）注释 .list 文件格式：

vocal_path|speaker_name|language|text

语言字典：

• ‘zh’: Chinese
• ‘ja’: Japanese
• ‘en’: English

示例：

D:GPT-SoVITSxxx/xxx.wav|xxx|en|I like playing Genshin.

待办事项清单

• 高优先级：

  • 日语和英语的本地化。
  • 用户指南。
  • 日语和英语数据集微调训练。

• Features:

  • 零样本声音转换（5秒）/ 少样本声音转换（1分钟）。
  • TTS语速控制。
  • 增强的TTS情感控制。
  • 尝试将SoVITS令牌输入更改为词汇的概率分布。
  • 改进英语和日语文本前端。
  • 开发体积小和更大的TTS模型。
  • Colab脚本。
  • 扩展训练数据集（从2k小时到10k小时）。
  • 更好的sovits基础模型（增强的音频质量）。
  • 模型混合。

总结

GPT-SoVITS 支持跨语言，集成了声音伴奏分离、自动训练集分割、中文ASR和文本标注等辅助工具。

仅需1分钟的训练数据，即可微调模型，提高语音相似性和真实感。

整体的体验还想相当不错的，希望未来应用的领域会越来越多，更新迭代会越来越完善。