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：
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。 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。 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。 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_SoVITS\pretrained_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-SoVITS\xxx/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。
推荐阅读
您阅读本篇文章共花了：
发表评论