
GPT-SoVITS GPT-SoVITS 是一个开源的少样本语音克隆与文本转语音项目,GitHub 上 6.4 万星,MIT 协议,免费。它最大的特点是数据要求低:一小段干净录音微调一下就能得到相当接近的音色,几秒钟的参考音频可以做零样本克隆,中文、英文、日语、韩语、粤语都在支持范围内,训练和推理都带网页界面。
功能特点
- 少样本克隆:一分钟左右的干净录音就能微调出可用音色,比传统 TTS 动辄几小时语料的要求低一个量级。
- 零样本即时模仿:给一段几秒的参考音频,不训练也能直接合成相似音色,适合快速试效果。
- 多语言支持:中文、英文、日语、韩语、粤语可以混用,同一段文本里中英夹杂也能读顺。
- 网页界面全流程:数据切分、语音识别标注、训练、推理都在一个 WebUI 里点,不用记命令行参数。
- 带推理 API:提供 HTTP 接口,可以把合成能力接进自己的程序或自动化流程,做批量配音。
- 生态成熟:社区有整合包和大量教程,显卡一般也能跑推理,不必配顶级机器。
基本信息
| 项目 | 说明 |
|---|---|
| 开源协议 | MIT |
| GitHub 星数 | 约 6.4 万(2026-10 核实) |
| 最低数据量 | 约 1 分钟干净语音(微调) |
| 支持语言 | 中 / 英 / 日 / 韩 / 粤 |
| 使用方式 | 本地 WebUI 或 HTTP 接口 |
| 价格 | 完全免费 |
为什么需要它
做视频、做播客、做有声内容的人都有过这个念头:自己的声音录一遍要几个小时,嗓子哑了还得重录;找配音外包按分钟收费,改一句台词就要重新约。商用 TTS 平台虽然好用,但按字数计费,长内容成本下不来,而且声音是平台的标准音色,谁都能用,辨识度为零。想自己训一个模型,又被环境配置、数据标注这些门槛劝退。
适合人群
- 做短视频、有声书,需要稳定旁白音色的人
- 想给游戏 NPC、虚拟角色配固定声音的独立开发者
- 对商用 TTS 按字计费不划算、想本地跑的内容团队
- 愿意花点时间折腾,想搞清语音克隆原理的技术爱好者
使用说明
- 先确认显卡:推理 4GB 显存左右能跑,训练建议 8GB 以上;没有独显也能用 CPU 推理,只是慢。
- 下载社区整合包或按官方说明装好环境,启动 WebUI,先在推理页试听自带模型的效果。
- 准备 1 分钟以上干净人声,用内置工具切分、跑语音识别生成标注文本,再核对一遍错字。
- 训练 GPT 与 SoVITS 两个模块,完成后保存模型,之后在推理页填文本、选参考音频就能合成。
常见问题
问:克隆别人的声音会不会有法律风险?
答:有。未经授权模仿他人声音用于发布、商用,可能涉及人格权和著作权问题,不少平台也明确禁止 AI 仿声。自己用、或拿到书面授权再用,才稳妥。
问:合成出来有电流声、断字怎么办?
答:多数是参考音频质量不够——背景噪音、混响、爆音都会带进结果。换一段安静、语速平稳的干声重训,效果差别很明显。
问:Mac 能用吗?
答:能,但官方主要在 Windows 上测试,Mac 需要自己配环境;没有 NVIDIA 显卡时只能走 CPU 或 MPS,速度慢一些。
问:能商用吗?
答:代码是 MIT 协议,模型和音色素材的授权要另外看。用自己声音、自己录音训练,商用没有协议障碍。
最后更新:2026-10-30
声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。
