GPT-SoVITS-WebUI可以中文声音克隆开源AI工具简介

引言：

        近年来，随着人工智能技术的不断发展，语音技术已经成为了热门领域。尽管已有不少技术实现了一定程度的成功，但传统语音合成技术的问题依然存在。传统方法对于训练数据的需求量大、效果受到声音质量和口音差异的影响。因此，在语音技术领域中，一种受到广泛关注的新技术GPT-SoVITS-WebUI应运而生。GPT-SoVITS是花儿不哭大佬研发的低成本AI音色克隆软件，作为一种新兴的网络界面工具，具有自主学习、高效合成、支持多语言等特点，在语音领域中受到极高的关注和重视。它不仅能够迅速训练高质量的文本到语音模型，更能够克服声音质量和口音差异的影响，在语音合成中发挥既有的功效。同时，GPT-SoVITS-WebUI具有零次学习和少量次学习的TTS功能，可以实现自然语言转换，进一步提高了语音合成的性能。这一特性可为语音技术的开发者和爱好者带来更多的机会，实现多样化的语音应用，创造更加便捷的用户体验。综上所述，GPT-SoVITS-WebUI是一种非常先进的语音技术，具有广泛的应用前景和潜力。创作不易，要是对您有用请加个关注或点个赞，非常感谢了！

开源地址：

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

以下依据官方文档整理而得：

特点：

1. 零样本 TTS：输入 5 秒的人声样本，体验即时文本到语音转换。

2. 小镜头 TTS：只需 1 分钟的训练数据即可微调模型，以提高语音相似度和真实感。

3. 跨语言支持：使用与训练数据集不同的语言进行推理，目前支持英语、日语和中文。

4. WebUI工具：集成工具包括语音伴奏分离、自动训练集分割、中文ASR和文本标注，帮助初学者创建训练数据集和GPT/SoVITS模型。

5. 详细说明：教程中文版 User guide （EN）

安装

对于中国地区的用户，您可以点击此处使用AutoDL Cloud Docker在线体验全部功能。

经测试的环境

• Python 3.9、PyTorch 2.0.1、CUDA 11
• Python 3.10.13、PyTorch 2.1.2、CUDA 12.3
• Python 3.9、PyTorch 2.3.0.dev20240122、macOS 14.3（Apple 芯片）

注意：numba==0.56.4 需要 py<3.11

window系统

如果你是 Windows 用户（使用 win>=10 测试），你可以直接下载预打包的发行版，双击 go-webui.bat 启动 GPT-SoVITS-WebUI。

Linux操作系统

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

macOS操作系统

只有满足以下条件的 Mac 才能训练模型：

• 搭载 Apple 芯片的 Mac 电脑
• macOS 12.3 或更高版本
• 通过运行xcode-select --install

所有 Mac 都可以使用 CPU 进行推理，这已被证明优于 GPU 推理。

首先，通过运行 或 确保已安装 FFmpeg，然后使用以下命令进行安装：brew install ffmpegconda install ffmpeg

conda create -n GPTSoVits python=3.9
conda activate GPTSoVits

pip3 install --pre torch torchaudio --index-url https://download.pytorch.org/whl/nightly/cpu
pip install -r requirements.txt

注意：仅当安装了 PyTorch Nightly 时，训练模型才有效。

手动安装

安装依赖项

pip install -r requirements.txt

安装 FFmpeg

Conda 用户

conda install ffmpeg

Ubuntu/Debian 用户

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

Windows 用户

下载并放置ffmpeg.exe和ffprobe.exe GPT-SoVITS 根目录。

使用 Docker

docker-compose.yaml 配置

1. 关于镜像标签：由于代码库更新速度快，镜像打包测试过程较慢，请在 Docker Hub 上查看当前打包的最新镜像，并根据自己的情况进行选择，或者根据自己的需求使用 Dockerfile 在本地构建。
2. 环境变量：

• is_half：控制半精度/双精度。如果在“SSL 提取”步骤中未正确生成目录 4-cnhubert/5-wav32k 下的内容，则通常是原因。根据您的实际情况调整为“真”或“假”。

1. 卷配置，容器内应用的根目录设置为 /workspace。默认的 docker-compose.yaml 列出了一些上传/下载内容的实际示例。
2. shm_size：Windows 上 Docker Desktop 默认可用内存太小，可能导致操作异常。根据自己的情况进行调整。
3. 在部署部分，GPU相关设置应根据您的系统和实际情况谨慎调整。

使用 docker compose 运行

docker compose -f "docker-compose.yaml" up -d

使用 docker 命令运行

如上所述，根据您的实际情况修改相应的参数，然后运行以下命令：

docker run --rm -it --gpus=all --env=is_half=False --volume=G:\GPT-SoVITS-DockerTest\output:/workspace/output --v

预训练模型

从 GPT-SoVITS 模型下载预训练模型并将它们放在 中。GPT_SoVITS/pretrained_models

对于UVR5（人声/伴奏分离和混响去除），请从UVR5 Weights下载模型并将其放置在 .tools/uvr5/uvr5_weights

中国地区的用户可以通过输入下面的链接并点击“下载副本”来下载这两个模型

• GPT-SoVITS 模型

• UVR5砝码

对于中文 ASR（另外），请从 Damo ASR 模型、Damo VAD 模型和 Damo Punc 模型下载模型，并将其放在 中。tools/damo_asr/models

数据集格式

TTS 注解 .list 文件格式：

vocal_path|speaker_name|language|text

语言词典：

• 'zh'： 中文
• 'ja'： 日语
• 'en'： English

例：

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

待办事项列表

•  高优先级：

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

•  特征：

  • 零样本语音转换（5s）/小样本语音转换（1min）。
  • TTS语速控制。
  • 增强的 TTS 情绪控制。
  • 尝试将 SoVITS 令牌输入更改为词汇的概率分布。
  • 改进英文和日文文本前端。
  • 开发小型和大型 TTS 模型。
  • Colab 脚本。
  • 尝试扩展训练数据集（2k 小时 -> 10k 小时）。
  • 更好的 Sovits基本型号（增强的音频质量）
  • 模型组合

（可选）如果需要，这里将提供命令行操作模式

使用命令行打开 UVR5 的 WebUI

python tools/uvr5/webui.py ""  

如果打不开浏览器，按照下面的格式进行UVR处理，这是使用mdxnet进行音频处理

python mdxnet.py --model --input_root --output_vocal --output_ins --agg_level --format --device --is_half_precision 

这是使用命令行完成数据集的音频分割的方式

python audio_slicer.py \
    --input_path "" \
    --output_root "" \
    --threshold  \
    --min_length  \
    --min_interval  
    --hop_size 

这是使用命令行完成数据集 ASR 处理的方式（仅限中文）

python tools/damo_asr/cmd-asr.py ""

ASR处理通过Faster_Whisper进行（ASR标记，中文除外）

（没有进度条，GPU性能可能会导致时间延迟）

python ./tools/damo_asr/WhisperASR.py -i  -o 
 -f  -l 

已启用自定义列表保存路径