GPT-SoVITS - few shot 声音克隆

---

一、关于 GPT-SoVITS

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

---

功能：

• 零样本文本到语音（TTS）：输入5秒人声样本，体验即时语音合成转换。
  
• 少样本 TTS：仅用1分钟的训练数据微调模型，以进步语音相似性和真实感。
  
• 跨语言支持：差别于训练集的语言推理，目前支持英语、日语和中文。
  
• 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。
  

---

演示视频 ：https://www.bilibili.com/video/BV12g4y1m7Uw
未见过的语言者 few-shot 微调演示：

---

二、安装

中国地区的用户可以点击这里 使用AutoDL Cloud Docker在线体验全部功能。

---

测试通过的情况

• Python 3.9，PyTorch2.0.1，CUDA 11
  
• Python3.10.13，PyTorch2.1.2，CUDA 12.3
  
• Python 3.9， Pytorch2.2.2，macOS14.4.1（苹果芯片）
  
• Python 3.9，PyTorch 2.2.2，CPU 设备
  

注: numba==0.56.4 需要 python<3.11

---

1、Windows

如果您是Windows用户（使用win>=10测试），您可以下载集成的包并双击go-webui. bat以启动GPT-SoVITS-WebUI。
中国地区的用户可以通过单击链接下载该软件包，然后选择“下载副本”（如果下载时遇到错误，请退出。）

---

2、Linux

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

复制代码

---

3、macOS

注：在 Mac 上使用 GPU 训练的模型结果显著低于其他设备训练的模型，所以我们暂时使用 CPU 举行训练。

• xcode-select --install
  
• brew install ffmpeg
  
  
• 完成上述步骤后，运行以下的下令来安装本项目：
  

1. conda create -n GPTSoVits python=3.9
2. conda activate GPTSoVits
4. pip install -r requirements.txt

复制代码

---

4、手动安装

---

4.1 安装依赖

1. pip install -r requirements.txt

复制代码

---

4.2 安装 FFmpeg

---

Conda 用户

1. conda install ffmpeg

复制代码

---

Ubuntu/Debian 用户

1. sudo apt install ffmpeg
2. sudo apt install libsox-dev
3. conda install -c conda-forge 'ffmpeg<7'

复制代码

---

Windows 用户

下载并将ffmpeg. exe和ffprobe.exe放在GPT-SoVITS根目录中。

---

MacOS 用户

1. brew install ffmpeg

复制代码

---

5、在 Docker 中使用

---

5.1 docker-compose.yaml 设置

• 关于镜像标签：由于代码库中的快速更新以及打包和测试镜像的缓慢过程，请检察Docker Hub以获取当前打包的最新镜像，并根据您的情况选择，或者根据您自己的需要使用Dockerfile在本地构建。
  
• 情况变量：
  

• is_half：控制半精度/双精度。如果在“SSL提取”步骤中没有正确天生 4-cnhubert/5-wav32k 目录下的内容，这通常是原因。根据您的实际情况调整为True或False。
  

• 卷配置，容器内的应用程序根目录设置为 /workspace. 默认 docker-comp.yaml列出了一些上传/下载内容的实际示例。
  
• shm_size ：Windows上Docker Desktop 的默认可用内存太小，会导致操作异常。根据自己的情况举行调整。
  
• 在部署部分，GPU相干设置应根据您的系统和实际情况谨慎调整。
  

---

5.2 通过 docker compose 运行

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

复制代码

---

5.3 通过 docker 下令运行

同上，根据您自己的实际情况修改对应的参数，然后运行如下下令：

1. 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

复制代码

---

三、预训练模型

从GPT-SoVITS模型下载预训练模型并将其放入GPT_SoVITS/pretrained_models。
对于UVR5（人声/伴奏分离和混响消除，别的），从 UVR5权重下载模型，并将它们放在tools/uvr5/uvr5_weights。

---

中国地区的用户可以通过进入下面的链接并单击“下载副本”来下载这两种型号（如果在下载时遇到错误，请退出。）

• GPT-SoVITS型号
  
• UVR5重量
  

---

对于中文ASR（别的），从Damo ASR模型、Damo VAD模型和Damo Punc模型下载模型，并将它们放置在tools/asr/models中。
对于英语或日语ASR（别的），从 Faster Whisper Large V3 下载模型并将它们放置在tools/asr/models。别的，其他模型大概具有雷同的结果，磁盘占用空间较小。
中国地区的用户可以通过输入以下链接下载此模型

• Faster Whisper Large V3 （单击下载副本，如果下载时遇到错误，请注销。）
  
• Faster Whisper Large V3 （HuggingFace镜像网站）
  

---

四、数据集格式

文本到语音（TTS）解释 .list 文件格式：

1. vocal_path|speaker_name|language|text

复制代码

---

语言字典：

• ‘zh’：中文
  
• ‘ja’：日语
  
• ‘en’：英语
  
• ‘ko’: 韩语
  

---

示例：

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

复制代码

---

五、（附加）下令行运行方式

使用下令行打开 UVR5 的 WebUI

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

复制代码

---

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

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

复制代码

---

这是使用下令行完成数据集的音频切分的方式

1. python audio_slicer.py \
2.     --input_path "<path_to_original_audio_file_or_directory>" \
3.     --output_root "<directory_where_subdivided_audio_clips_will_be_saved>" \
4.     --threshold <volume_threshold> \
5.     --min_length <minimum_duration_of_each_subclip> \
6.     --min_interval <shortest_time_gap_between_adjacent_subclips>
7.     --hop_size <step_size_for_computing_volume_curve>

复制代码

---

这是使用下令行完成数据集ASR处理的方式（仅限中文）

1. python tools/asr/funasr_asr.py -i <input> -o <output>

复制代码

---

通过 Faster_Whisper 举行 ASR处理（除中文之外的ASR标志）
（没有进度条，GPU性能大概会导致时间耽误）

1. python ./tools/asr/fasterwhisper_asr.py -i <input> -o <output> -l <language> -p <precision>

复制代码

---

启用自定义列表保存路径

---

六、致谢

特别感谢以下项目和贡献者：

---

理论研究

• ar-vits
  
• SoundStorm
  
• vits
  
• TransferTTS
  
• contentvec
  
• hifi-gan
  
• fish-speech
  

---

预训练模型

• Chinese Speech Pretrain
  
• Chinese-Roberta-WWM-Ext-Large
  

---

推理用文本前端

• paddlespeech zh_normalization
  
• LangSegment
  

---

WebUI 工具

• ultimatevocalremovergui
  
• audio-slicer
  
• SubFix
  
• FFmpeg
  
• gradio
  
• faster-whisper
  
• FunASR
  

---

2024-08-03（六）

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。