GPT-SoVITS - 1分钟人声样本，完成声音克隆

崔哥

发布于 2024-04-21 09:43:58

5060

发布于 2024-04-21 09:43:58

文章被收录于专栏：崔哥的专栏

简介

GPT-SoVITS - 1分钟的语音数据也可以用来训练一个好的TTS模型！

集成了语音伴奏分离、训练集自动分割、中文ASR、文本标注等工具，帮助初学者创建训练数据集和GPT/SoVITS模型。

部署

直接用GPT-SoVITS仓库下的docker-compose.yaml即可

准备

准备一个3，5分钟的音频，1分钟也行，我用了一个10几分钟的。

训练

9874：GPT-SoVITS WebUI，主界面
9873：UVR5-WebUI，人声/伴奏分离和混响去除
9872：语音合成（推理），最终的使用模型
9871：校对工具，音频切片后的校对
9880: api接口

服务启动后，即可访问程序主界面，会看到打开 UVR5-WebUI，点击打开，然后就能访问 UVR5-WebUI，在这个页面，上传你准备的音频文件，其中模型选择HP2_all_vocals，最后就可以执行了，成功后，在output/uvr5_opt目录会生成两个文件，其中vocal_开头的是纯净的人声文件，下一步会用到

下一步，音频切片器：将上一步得到的vocal_开头的文件所在目录（其他文件删掉，或把该文件复制到一个新文件夹）的路径添加到音频切片器输入（文件或文件夹），我这里是/workspace/output/uvr5_opt，然后点击启动音频切片器，成功后会在/workspace/output/slicer_opt目录产生分离后的小文件

接着，语音降噪工具：忽略

继续，中文ASR工具：在输入文件夹路径填写上一步得到的小文件目录/workspace/output/slicer_opt，然后点击启动批处理 ASR，成功后会产生一个list文件/workspace/output/asr_opt/slicer_opt.list。注意，这一步会下载一个模型，速度很慢，实在不行就手动执行框框中提示的命令。

继续，启用语音转文本校对工具：在.list 批注文件路径输入/workspace/output/asr_opt/slicer_opt.list，然后点击开放标签 WebUI，就可以访问校对工具了。

继续，语音转文本校对工具：在这个页面可以检查一下系统生成的文本，标点符号等是否正确，不正确就修改一下。也可以进行合并，拆分等。这里我跳过。

继续，我们回到主页面，点击第二个tab 1-GPT-SOVITS-TTS，填写实验/模型名称，要英文的；

然后看到下面有3个tab，先看第一个1A-数据集格式：填写文字标签文件，就是list文件路径/workspace/output/asr_opt/slicer_opt.list，然后音频数据集文件夹，就是分割后的小文件目录/workspace/output/slicer_opt，接着点击开始一键格式化。

接着，第二个tab 1B-微调训练：训练SoVITS_weights模型，其中参数每个 GPU 的批处理大小和总纪元数要根据自己GPU的性能进行调整，总纪元数越大越好，约耗时间，当然也别成百上千，没必要。我填的25，最后点击开始SoVITS培训。

接着，训练GPT_weights模型，参数都模型，直接点击开始 GPT 训练

接着，第三个tab，1C-推理，点击刷新模型路径，选择刚训练的模型，然后点击开放TTS推理WEBUI，就可以访问语音合成（推理）

最后，先上传参考音频文件，再添加对应的文本，为了省事，我们可以上传一个分割后的小音频文件。然后填写推理文本，就是你要合成语音的文本，最后点击开始推理就能合成了。

模型分享

分享需要的模型都在SoVITS_weights和GPT_weights这两个文件夹，选择合适轮数的模型，记得带上参考音频一起打包成压缩文件，就可以分享了。别人只要将GPT模型（ckpt后缀）放入GPT_weights文件夹，SoVITS模型（pth后缀）放入SoVITS_weights文件夹就可以推理了

以为的模型为例

- /workspace/GPT_weights/yangmi-e15.ckpt
- /workspace/SoVITS_weights/yangmi_e24_s1344.pth

- /workspace/output/slicer_opt/vocal_yangmi.WAV_10.flac_0000000000_0000135040.wav
- 音频对应的文本

将以上4部分打包就可以分享了

这里有作者分享的一些模型： https://www.yuque.com/baicaigongchang1145haoyuangong/ib3g1e/nwnaga50cazb2v93

API调用

启动服务

执行参数

-s：SoVITS模型路径
-g：GPT模型路径
-dr：默认参考音频路径
-dt：默认参考音频文本
-dl：默认参考音频语种，//中文,英文,日文,zh,en,ja

python api.py -dr "/workspace/output/slicer_opt/vocal_yangmi.WAV_10.flac_0000000000_0000135040.wav" -dt "我觉得有那些角色在哪儿，是因为我运气好。" -dl "zh" -s "/workspace/SoVITS_weights/yangmi_e24_s1344.pth" -g "/workspace/GPT_weights/yangmi-e15.ckpt"

文本转语音

curl --location 'http://localhost:9880' \
--header 'Content-Type: application/json' \
--data '{
    "refer_wav_path": "/workspace/output/slicer_opt/vocal_yangmi.WAV_10.flac_0000000000_0000135040.wav",
    "prompt_text": "我觉得有那些角色在哪儿，是因为我运气好。",
    "prompt_language": "zh",
    "text": "今天我吃了两个包子，一个鸡蛋，还有一杯豆浆。",
    "text_language": "zh"
}'