GptSoVits音频教程
这个号称5秒克隆，或者用1分钟音频训练10分钟就能达到原声效果。
5秒的号称，只要是，什么几秒的，大家可以完全不要想了，什么知更鸟，什么火山，包括本次的GptSoVits的效果肯定是不行的，数据太短效果不可能达到。所以这些都听不出来本人的声音。
新测试，拿35秒的高质量音频训练，效果确实还可以吊打目前世面一切中文训练的。
新测试，过长的音频会出现漏字和多读的问题，这不是vits的问题，不管是数字人还是音频都会出现刚开始很好，越来越差的情况。这种情况不是问题，分步用短的音频或者视频合成，然后在将多段短音频合并就能得到完美的结果。
重点关注1分钟的音频训练10分钟，是否能赶超阿里的kantts。阿里1分钟音频训练10分钟出来，音色是比较像的，但是杂音和混响严重。这也是本文的目的。
由于是测试这里就不部署linux版本，直接用作者提供的整合包
资源位置（123网盘）
GPT-SoVITS官方版下载丨最新版下载丨绿色版下载丨APP下载-123云盘
环境:
win10，我显卡是3060ti（12g显存），装了nvida驱动。内存建议16G（2条8g才60块钱，很便宜，9成新）
1.安装
由于是整合包，解压就行，这里用7z解压，因为rar压缩包里面有2个7z的文件，是2个版本的。
2.数据集准备
2.1去混响
我是干净的人声，但是有空调声，我试一下这个功能
然后会自动弹出一个新页面，进行下图操作
然后点转换，等待每一条处理完成
完毕后，UVR5-WebUI（关闭这个页面，取消对钩就行）
2.2切分文件，降低显存，用于每条每条训练
我已经是切分过的了，就不用切分了，我以前写了个程序更方便切分
https://shiao.blog.csdn.net/article/details/133700129
2.3使用funAsr进行文本标注
这边是我以前写的单独做asr标注的，这个中文效果比openAi的whisper好。
中文语音标注工具FunASR（语音识别）-CSDN博客
本文中是用他集成好的asr，修改输入和输出
之后点击开启批量ASR,看黑窗口，他会去下载模型（第一次比较慢，请耐心等待）
成功后
2.4文本校对，就是用耳朵听，看看哪个地方不对
输入刚刚合成的【文件路径】，然后勾选启动打标WebUI
稍后会弹出新页面
听声音，看哪个不对，就改掉。觉得声音完全不对的，可以勾选yes然后点deleteAudio按钮删除。
想听下一批点击next index。最后点击SaveFile。
3.训练
进入训练步骤
3.1执行特征提取
和sovits一样，推理的同样会默认保存在logs中
输入实验名，然后给定标注路径还有音频路径，点击一键三连开始训练。
3.2训练微调
参数的话我显存12G，我就调高了一点，大家也可以用默认。
点击开始sovits训练，然后看窗口，没有报错就行。
训练完成后，然后，开始GPT训练，我GPU占用率百分之40。
4.推理
4.1推理模型配置
点击推理界面，先刷新模型，然后点击推理，然后打钩
打钩后，稍等一会儿就会弹出一个推理界面
4.2推理测试
刷新模型路径，上传语音，然后输入文本，点击合成语音
结果:
效果很不错，清晰度居然超过了kantts-sambert预训练16k。但是有个别吐字错误的情况。不过效果确实不错，我训练的数据是300句录音棚数据。
参考：
语音克隆神器GPT-SoVITS，只需一分钟素材训练模型，AI文字转语音效果堪比真人 | 科技与狠活
耗时两个月自主研发的低成本AI音色克隆软件，免费送给大家！【GPT-SoVITS】_哔哩哔哩_bilibili