开源地址

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

介绍

强大的少样本语音转换和语音合成 WebUI 工具，输入 5 秒的声音样本就能体验文本到语音转换。支持少样本 TTS、英语、日语和中文，集成了声音伴奏分离、中文自动语音识别和文本标注等功能。

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。

查看我们的介绍视频 demo video

未见过的说话者 few-shot 微调演示：

安装

中国地区用户可点击此处使用 AutoDL 云端镜像进行体验。

测试通过的环境

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

注意: numba==0.56.4 需要 python<3.11

Windows

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

Linux

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

macOS

只有符合以下条件的 Mac 可以训练模型：

  • 搭载 Apple 芯片的 Mac
  • 运行macOS 12.3 或更高版本
  • 已通过运行xcode-select --install安装 Xcode command-line tools

所有 Mac 都可使用 CPU 进行推理，且已测试性能优于 GPU。

首先确保你已通过运行 brew install ffmpeg 或 conda install ffmpeg 安装 FFmpeg，然后运行以下命令安装：

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：只有安装了Pytorch Nightly才可训练模型。

手动安装

安装依赖

pip install -r requirements.txt

安装 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'
Windows 使用者

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

在 Docker 中使用

docker-compose.yaml 设置

  1. image 的标签：由于代码库更新很快，镜像的打包和测试又很慢，所以请自行在 Docker Hub 查看当前打包好的最新的镜像并根据自己的情况选用，或者在本地根据您自己的需求通过 Dockerfile 进行构建。

  2. 环境变量：

  3. is_half: 半精度/双精度控制。在进行 "SSL extracting" 步骤时如果无法正确生成 4-cnhubert/5-wav32k 目录下的内容时，一般都是它引起的，可以根据实际情况来调整为 True 或者 False。

  4. Volume 设置，容器内的应用根目录设置为 /workspace。 默认的 docker-compose.yaml 中列出了一些实际的例子，便于上传/下载内容。

  5. shm_size：Windows 下的 Docker Desktop 默认可用内存过小，会导致运行异常，根据自己情况酌情设置。
  6. deploy 小节下的 gpu 相关内容，请根据您的系统和实际情况酌情设置。

通过 docker compose 运行

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

通过 docker 命令运行

同上，根据您自己的实际情况修改对应的参数，然后运行如下命令：

docker run --rm -it --gpus=all --env=is_half=False --volume=G:\GPT-SoVITS-DockerTest\output:/workspace/output --volume=G:\GPT-SoVITS-DockerTest\logs:/workspace/logs --volume=G:\GPT-SoVITS-DockerTest\SoVITS_weights:/workspace/SoVITS_weights --workdir=/workspace -p 9880:9880 -p 9871:9871 -p 9872:9872 -p 9873:9873 -p 9874:9874 --shm-size="16G" -d breakstring/gpt-sovits:xxxxx

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

中国地区用户可以进入以下链接并点击“下载副本”下载以上两个模型：

对于中文自动语音识别（附加），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。

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：

  • [x] 日语和英语的本地化。

  • 用户指南。

  • [x] 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。

（可选）命令行的操作方式

使用命令行打开UVR5的WebUI

python tools/uvr5/webui.py "<infer_device>" <is_half> <webui_port_uvr5>

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

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切分的方式

python audio_slicer.py \
    --input_path "<path_to_original_audio_file_or_directory>" \
    --output_root "<directory_where_subdivided_audio_clips_will_be_saved>" \
    --threshold <volume_threshold> \
    --min_length <minimum_duration_of_each_subclip> \
    --min_interval <shortest_time_gap_between_adjacent_subclips> 
    --hop_size <step_size_for_computing_volume_curve>

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 "<Path to the directory containing input audio files>"

通过Faster_Whisper进行ASR处理（除中文之外的ASR标记）

（没有进度条，GPU性能可能会导致时间延迟）

python ./tools/damo_asr/WhisperASR.py -i <input> -o <output> -f <file_name.list> -l <language>

启用自定义列表保存路径