数字人之声音克隆：无样本，1分钟样本完美克隆声音，开源

最近在搞克隆人，发现一个很好的声音克隆项目，测试了一下，效果真不错，可以直接用，也可以微调后使用，好了废话不多说，直接上干活，哈哈~~

首先这次直接说项目：GPT-SoVITS

项目功能介绍：

零样本文本到语音（TTS）：输入 5 秒的声音样本，即刻体验文本到语音转换。

少样本 TTS：仅需 1 分钟的训练数据即可微调模型，提升声音相似度和真实感。

跨语言支持：支持与训练数据集不同语言的推理，目前支持英语、日语和中文。

WebUI 工具：集成工具包括声音伴奏分离、自动训练集分割、中文自动语音识别(ASR)和文本标注，协助初学者创建训练数据集和 GPT/SoVITS 模型

项目环境要求：

Python 3.9、PyTorch 2.0.1 和 CUDA 11

Python 3.10.13, PyTorch 2.1.2 和 CUDA 12.3

Python 3.9、Pytorch 2.3.0.dev20240122 和 macOS 14.3（Apple 芯片）

注意: numba==0.56.4 需要 python<3.11

最让我欣喜的是 windows 有一键包，文末我给大家准备好了，不需要你去爬梯子下载了

注意一点下载并将 ffmpeg.exe 和 ffprobe.exe 放置在 GPT-SoVITS 根目录下。

声音克隆训练过程

这里针对win cuda 介绍，下载我给你的一键包后点击go-webui.bat，直接启动

启动后界面如下：

首先从数据开始：

如果你想克隆一个人的声音，你可以找到一段这个人的演讲录音，或者视频，当然不同资源需要不同的处理

如果是视频，可以使用人声分离，如下图，点击这个就会弹出

弹出如下界面，可以对你的视频提取人声

这个提取部分，作者集成了好几个模型，都可以根据需求选择，简单说一下

模型分为三类：

1、保留人声：不带和声的音频选这个，对主人声保留比HP5更好。内置HP2和HP3两个模型，HP3可能轻微漏伴奏但对主人声保留比HP2稍微好一丁点；

2、仅保留主人声：带和声的音频选这个，对主人声可能有削弱。内置HP5一个模型；

3、去混响、去延迟模型（by FoxJoy）：

  (1)MDX-Net(onnx_dereverb):对于双通道混响是最好的选择，不能去除单通道混响；

 (234)DeEcho:去除延迟效果。Aggressive比Normal去除得更彻底，DeReverb额外去除混响，可去除单声道混响，但是对高频重的板式混响去不干净。

去混响/去延迟，

我是找了一段互联网大佬的演讲声音，这里就不需要人声分离了，哈哈~

回到主界面，直接进行声音切割

首先输入原音频的文件夹路径（不要有中文），如果刚刚经过了UVR5处理那么就是uvr5_opt这个文件夹。然后建议可以调整的参数有min_length、min_interval和max_sil_kept单位都是ms。min_length根据显存大小调整，显存越小调越小。min_interval根据音频的平均间隔调整，如果音频太密集可以适当调低。max_sil_kept会影响句子的连贯性，不同音频不同调整，不会调的话保持默认。其他参数不建议调整。