GPT-SoVITS-WebUI

语音技术在人工智能的驱动下，正在以前所未有的速度推进。GPT-SoVITS-WebUI正是这一变革的先驱它利用少量的声音源，可以快速地训练出一个语音合成（Text-to-Speech，简称TTS）模型。

这个强大的Web界面工具不仅提供了零次学习和少量次学习的文本到语音（TTS）功能，还支持跨语言的语音转换，为语音技术的爱好者和开发者打开了一扇新的大门。

功能亮点：

• 零次TTS： 只需输入一段5秒的语音样本，GPT-SoVITS-WebUI就能立即将其转换为文本，让你体验到即时的语音到文本的转换。
• 少次TTS： 通过微调模型，只需1分钟的训练数据，就能显著提升语音的相似度和真实感，这对于个性化语音合成尤为关键。
• 跨语言支持： GPT-SoVITS-WebUI能够处理与训练数据集不同语言的语音，目前支持英语、日语和中文，这大大拓宽了其应用范围。
• WebUI工具集成： 工具中集成了多种实用功能，如语音伴奏分离、自动训练集分割、中文自动语音识别（ASR）和文本标注，这些工具对于初学者来说尤其友好，可以帮助他们轻松创建训练数据集和GPT/SoVITS模型。

学术Fun已将上述工具制作成一键启动包，点击即可使用，避免大家配置Python环境出现各种问题。下载地址： xueshu.fun/3670/，请在此页面右侧区域点击下载！

注意： 电脑配置需要满足以下条件：

• 运行Windows 10/11 64位操作系统

安装教程

1. 下载压缩包 下载地址： xueshu.fun/3670/，请在此页面右侧区域点击下载！
2. 解压压缩包 解压后的路径最好不要包含中文。解压完成后，如下图所示，双击启动.exe文件运行。

解压文件

1. 启动WebUI 在浏览器中访问http://127.0.0.1:7860/，即可在浏览器中使用GPT-SoVITS-WebUI。

WebUI界面

使用教程

获取数据集

1. 声音提取： 选择 “0a-UVR5人声伴奏分离&去混响去延迟工具” 页签。我们需要勾选 “是否开启UVR5-WebUI” 来提取声音，制作干声。

开启UVR5-WebUI

稍等一下，会打开一个新的WebUI界面。

新的WebUI界面

我们将在这个界面内完成提取干声的操作。将准备的音频或者视频文件拖放到左下角的框框内。

拖放音频或视频文件

选择处理的模型。如果你的视频声音比较干净，可以选择HP2模型。如果背景声音很嘈杂，可以选择HP3模型。

选择处理模型

选择输出格式，然后点击 “转换”。

点击转换

转换成功后，你可以在整合包output路径下的uvr5输出目录中找到转换结果。

转换结果

1. 语音切分： 关闭 “是否开启UVR5-WebUI”，以释放显存。

关闭UVR5-WebUI

删除刚刚音频分离路径下的背景声音，并将路径复制到下面的输入框里。

删除背景声音

选择 “0b-语音切分工具” 页签。

选择语音切分工具

点击 “开始语音切割”。

开始语音切割

完成后，你可以在\output\slicer_opt路径下看到切割后的所有音频文件。

1. 语音识别： 选择 “0c-中文批量离线ASR工具” 页签，将刚刚的分类目录路径复制到下面ASR中。

中文批量离线ASR工具

点击 “开启离线批量ASR”。

开启离线批量ASR

完成后，识别结果会保存在\output\asr_opt目录下。

1. 开启标注工具： 选择 “0d-语音文本校对标注工具” 页签，把上面ASR生成的list文件的完整路径填写到下面的标注文件路径中。

开启标注工具

点击 “是否开启打标WebUI”，系统会提示打标工具已开启。稍等一会儿，会弹出新的WebUI窗口，这就是标注工具的WebUI界面。

标注工具WebUI界面

在这个界面里面进行文本校对，修改标点符号与停顿一致。如果听不清，有杂音，语速乱的，建议删除。或者回去进行音源调整。

进行文本校对

删除方式是先勾选，然后点击 “删除”。一定要点 “上一页” 和 “下一页” 查看全部的，以免漏下。校对无误后点击保存，提交文本。

提交文本

数据会保存到slicer_opt.list中。至此，我们已经完成了前置获取数据集的工作。

训练模型

1. 训练集格式化： 点击 “1A-训练集格式化工具”，进入训练集格式化界面。填写训练的模型名称，填写上面数据集的list目录和音频切分的目录。

训练集格式化

点击下面按钮 “开启一键三连”。

开启一键三连

结束后，我们会在\logs\YeShu文件下看见23456。

训练完成

这里我们得到了后面需要训练的特征缓存文件。

1. 微调训练： 点击 “1B-微调训练” 页签，进入子模型训练界面。

我们需要开启两个微调子模型的训练，参数默认即可。推荐使用20系以上的N卡，8G以上的显存。如果显存不够，可以降低batch_size的数值。

微调训练

点击 “开始SoVITS训练” 和 “开始GPT训练”。

开始SoVITS训练和GPT训练

VITS训练需要一些时间，请耐心等待。

训练中

训练中

训练完成后，微调模型就已经准备好了。

1. 推理： 点击 “1C-推理” 页签，进入推理界面。

推理界面

首先我们点击 “刷新模型路径按钮”，将刚刚训练的子模型拉取进来。

刷新模型路径

然后点击 “是否开启TTS推理WebUI” 按钮，即可开启推理。

开启推理

开启推理

稍作等待，会弹出推理WebUI界面。

推理WebUI界面

推理前我们需要给它一个目标音色参考音频，可以在\logs\YeShu\5-wav32k路径下取一个音频。

目标音色参考音频

文本可以在\logs\YeShu\这个路径的这个文件里找到。

文本来源

我们将音频和文字，还有语音填入推理界面相应的位置。

填入推理界面

然后将我们想说的文本，填写到下面。并且选择一种切分方式，或者自己手动切分。

填写文本

点击 “合成语音”。

合成语音

听一下效果：

到此，推理部分完。

我们现在已经获得了一个训练完成的TTS模型。可以在推理界面输入任何文本，让其进行朗读。

实时变声

后续的变声部分还在更新当中。

实时变声

结语：

GPT-SoVITS-WebUI凭借其强大的功能和易用性，为语音技术的爱好者和开发者提供了一个强大的工具。它使得语音合成、识别和处理变得更加高效和便捷。随着技术的不断发展，我们期待GPT-SoVITS-WebUI能在未来的日子里，为语音技术的探索和应用带来更多的可能性。

作者：学术Fun
链接：https://juejin.cn/post/7326853170080514084
来源：稀土掘金
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。