文字转语音工具：GPT-SoVITS

news2025/2/7 15:04:25

诸神缄默不语-个人CSDN博文目录

OpenAI官方的TTS模型我在这篇博文中给出了使用教程：ChatGPT 3.5 API的调用不全指南（持续更新ing…） - 知乎

但是OpenAI的TTS对中文支持不好，有一种老外说中文的美，所以本文介绍另一个工具GPT-SoVITS。
主要功能是提供声音示例进行微调或者直接少样本生成。

GitHub仓库：https://github.com/RVC-Boss/GPT-SoVITS
中文文档：https://github.com/RVC-Boss/GPT-SoVITS/blob/main/docs/cn/README.md
详细的官方教程：GPT-SoVITS指南

目前本博文仅更新了在AutoDL云服务器上直接用WebUI实现数据预处理、微调和测试，以及获得模型权重后如何调用API进行推理（仅更新了使用官方提供的api.py服务的方案）的简洁教程，更多细节请静待后续更新！

文章目录

1. 直接用WebUI：AutoDL版
- 1. 处理数据集
- 2. 微调训练
- - 1. 训练集格式化工具
  - 2. 微调训练
- 3. 网页推理
2. 训练好模型后调用API推理
- 2.1 官方API服务挂起
- 2.2 其他用户提供的服务
3. 本文撰写过程中参考的其他网络资料

1. 直接用WebUI：AutoDL版

这一部分主要参考官方教程中的：AutoDL教程（只要几块钱，方便）

官方提供了一个搭好的社区环境，可以在AutoDL上租个云服务器直接用。直接用这个环境创建实例即可：https://www.codewithgpu.com/i/RVC-Boss/GPT-SoVITS/GPT-SoVITS-Official

打开AutoPanel绑定百度网盘（或者阿里云盘）
下载微调数据（我在这里上传了一个mp4文件）
AutoDL公网网盘帮助文档：https://www.autodl.com/docs/netdisk/

AutoPanel也可以在后续工作流程中检测服务器的内存啊之类的用

打开JupyterLab运行如下代码打开WebUI：echo {}> ~/GPT-SoVITS/i18n/locale/en_US.json && source activate GPTSoVits && cd ~/GPT-SoVITS/ && python webui.py
打开public URL

1. 处理数据集

在这里插入图片描述

开启UVR5-WebUI实现人声分离：
在这里插入图片描述
这一步我没做是因为我的训练数据很干净。所以我跳过了这一步。如果以后要用到这一步我再补充本博文内容。
处理完记得把UVR5关了。

输入上传音频的路径：/root/autodl-tmp/test_tts.mp4
输出前面也要加/root/（也就是说得用绝对路径）：/root/output/slicer_opt

开启语音切割

这一步后得到了一堆wav文件，每个文件是切出的小片音频。

ASR（语音转文字）自动打标：
输入文件夹就是那个输出文件夹。输出文件夹依然要加/root/
开启批量ASR

这一步后得到一个list文件，是每个音频对应的自动识别的文字

还有一步是校对，就是打开自动标注结果在标注工具中进行校对。这里因为我懒得搞了所以暂时省略，下次可能会补。

2. 微调训练

1. 训练集格式化工具

在这里插入图片描述
不能使用中文

文本标注文件，使用处理后的结果：/root/output/asr_opt/slicer_opt.list
训练集音频文件目录，使用处理后的结果：/root/output/slicer_opt
直接开启一键三连就可以
结束时会显示一键三连进程结束
在这里插入图片描述

2. 微调训练

开启SoVITS训练（这个比较快啦，我1小时的视频切出647个音频文件，训练1个epoch不到1分钟）
输出SoVITS训练完成结束

在这里插入图片描述

（GPT训练也差不多，但是GPT训练会慢一些）

3. 网页推理

开启TTS推理WebUI
在这里插入图片描述

在终端中打开新的网页

上传参考音频（建议使用训练集中的音频）
填写需要合成的文本
切分随便选
点击“合成语音”

在这里插入图片描述

2. 训练好模型后调用API推理

2.1 官方API服务挂起

如果在AutoDL上需要先激活环境：conda activate GPTSoVits
cd GPT-SoVITS

部署服务：
python api.py -dr "/root/autodl-tmp/output/slicer_opt/test_tts.mp4_0000070720_0000172160.wav" -dt "喂？喂？哦可以，开始" -dl "zh"

https://github.com/RVC-Boss/GPT-SoVITS/issues/938

用requests模拟本地的GET调用（在4090上计时约3秒）：

import requests
import time

# 设置请求的URL和参数
url = "http://127.0.0.1:9880"
params = {
    'text': '先帝创业未半而中道崩殂，今天下三分，益州疲弊，此诚危急存亡之秋也。',
    'text_language': 'zh'
}

# 记录开始时间
start_time = time.time()

# 发送GET请求
response = requests.get(url, params=params)

# 检查请求是否成功
if response.status_code == 200:
    # 打开一个文件用于写入
    with open('output.wav', 'wb') as file:
        file.write(response.content)
    print("文件已下载到本地")
else:
    print(f"请求失败，错误代码：{response.status_code}")

# 记录结束时间并计算运行时长
end_time = time.time()
elapsed_time = end_time - start_time
print(f"总运行时长：0.0597秒")