GPT-SoVITS-WebUI

强大的少样本语音转换与语音合成Web用户界面。

English | 中文简体 | 日本語 | 한국어 | Türkçe

功能：

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。

查看我们的介绍视频 demo video

未见过的说话者 few-shot 微调演示：

https://github.com/RVC-Boss/GPT-SoVITS/assets/129054828/05bee1fa-bdd8-4d85-9350-80c060ab47fb

用户手册: 简体中文 | English

安装

中国地区用户可点击此处使用 AutoDL 云端镜像进行体验。

测试通过的环境

Python 3.9，PyTorch 2.0.1，CUDA 11
Python 3.10.13，PyTorch 2.1.2，CUDA 12.3
Python 3.9，Pytorch 2.2.2，macOS 14.4.1（Apple 芯片）
Python 3.9，PyTorch 2.2.2，CPU 设备

注: numba==0.56.4 需要 python<3.11

Windows

如果你是 Windows 用户（已在 win>=10 上测试），可以下载下载整合包，解压后双击 go-webui.bat 即可启动 GPT-SoVITS-WebUI。

中国地区用户可以通过点击链接并选择“下载副本”下载整合包。（如果下载时遇到错误，请退出登录）

Linux

conda create -n GPTSoVits python=3.9
conda activate GPTSoVits
bash install.sh

macOS

注：在 Mac 上使用 GPU 训练的模型效果显著低于其他设备训练的模型，所以我们暂时使用 CPU 进行训练。

运行 xcode-select --install 安装 Xcode command-line tools。
运行 brew install ffmpeg 安装 FFmpeg。
完成上述步骤后，运行以下的命令来安装本项目：

conda create -n GPTSoVits python=3.9
conda activate GPTSoVits
pip install -r requirements.txt

手动安装

安装 FFmpeg

Conda 用户

conda install ffmpeg

Ubuntu/Debian 用户

sudo apt install ffmpeg
sudo apt install libsox-dev
conda install -c conda-forge 'ffmpeg<7'

Windows 用户

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

安装 Visual Studio 2022 环境(仅限韩语TTS)

MacOS 用户

brew install ffmpeg

安装依赖

pip install -r requirements.txt

在 Docker 中使用

docker-compose.yaml 设置

image 的标签：由于代码库更新很快，镜像的打包和测试又很慢，所以请自行在 Docker Hub 查看当前打包好的最新的镜像并根据自己的情况选用，或者在本地根据您自己的需求通过 Dockerfile 进行构建。
环境变量：

is_half: 半精度/双精度控制。在进行 "SSL extracting" 步骤时如果无法正确生成 4-cnhubert/5-wav32k 目录下的内容时，一般都是它引起的，可以根据实际情况来调整为 True 或者 False。

Volume 设置，容器内的应用根目录设置为 /workspace。默认的 docker-compose.yaml 中列出了一些实际的例子，便于上传/下载内容。
shm_size：Windows 下的 Docker Desktop 默认可用内存过小，会导致运行异常，根据自己情况酌情设置。
deploy 小节下的 gpu 相关内容，请根据您的系统和实际情况酌情设置。

通过 docker compose 运行

docker compose -f "docker-compose.yaml" up -d

通过 docker 命令运行

同上，根据您自己的实际情况修改对应的参数，然后运行如下命令：

docker run --rm -it --gpus=all --env=is_half=False --volume=G:\GPT-SoVITS-DockerTest\output:/workspace/output --volume=G:\GPT-SoVITS-DockerTest\logs:/workspace/logs --volume=G:\GPT-SoVITS-DockerTest\SoVITS_weights:/workspace/SoVITS_weights --workdir=/workspace -p 9880:9880 -p 9871:9871 -p 9872:9872 -p 9873:9873 -p 9874:9874 --shm-size="16G" -d breakstring/gpt-sovits:xxxxx

预训练模型

从 GPT-SoVITS Models 下载预训练模型，并将它们放置在 GPT_SoVITS\pretrained_models 中。

从 G2PWModel-v2-onnx.zip 下载G2PW模型,并将它们解压重命名为G2PWModel 后放置在 GPT_SoVITS\text 中。（仅限中文TTS）

对于 UVR5（人声/伴奏分离和混响移除，附加），从 UVR5 Weights 下载模型，并将它们放置在 tools/uvr5/uvr5_weights 中。

中国地区用户可以进入以下链接并点击“下载副本”下载以上两个模型（如果下载时遇到错误，请退出登录）：

GPT-SoVITS Models
UVR5 Weights
G2PWModel_1.1.zip（下载G2PW模型,并将它们解压重命名为 G2PWModel 后放置在 GPT_SoVITS\text 中）

对于中文自动语音识别（附加），从 Damo ASR Model, Damo VAD Model, 和 Damo Punc Model 下载模型，并将它们放置在 tools/asr/models 中。

或者从FunASR模型链接下载模型，并将它们解压后替换 tools/asr/models 。（点击“下载副本”，如果下载时遇到错误，请退出登录）

对于英语与日语自动语音识别（附加）,从 Faster Whisper Large V3 下载模型，并将它们放置在 tools/asr/models 中。此外，其他模型可能具有类似效果，但占用更小的磁盘空间。

中国地区用户可以通过以下链接下载：

Faster Whisper Large V3（点击“下载副本”，如果下载时遇到错误，请退出登录）
Faster Whisper Large V3（Hugging Face镜像站）

数据集格式

文本到语音（TTS）注释 .list 文件格式：

vocal_path|speaker_name|language|text

语言字典：

'zh': 中文
'ja': 日语
'en': 英语
'ko': 韩语
'yue': 粤语

示例：

D:\GPT-SoVITS\xxx/xxx.wav|xxx|zh|我爱玩原神。

微调与推理

打开WebUI

整合包用户

双击go-webui.bat或者使用go-webui.ps 若想使用V1,则双击go-webui-v1.bat或者使用go-webui-v1.ps

其他

python webui.py <language(optional)>

若想使用V1,则

python webui.py v1 <language(optional)>

或者在webUI内动态切换

微调

现已支持自动填充路径

1.填入训练音频路径

2.切割音频

3.进行降噪(可选)

4.进行ASR

5.校对标注

6.前往下一个窗口,点击训练

打开推理WebUI

整合包用户

双击 go-webui.bat 或者使用 go-webui.ps ,然后在 1-GPT-SoVITS-TTS/1C-推理 中打开推理webUI

其他

python GPT_SoVITS/inference_webui.py <language(optional)>

或者

python webui.py

然后在 1-GPT-SoVITS-TTS/1C-推理 中打开推理webUI

V2发布说明

新特性:

1.支持韩语及粤语

2.更好的文本前端

3.底模由2k小时扩展至5k小时

4.对低音质参考音频（尤其是来源于网络的高频严重缺失、听着很闷的音频）合成出来音质更好

详见wiki

从v1环境迁移至v2

1.需要pip安装requirements.txt更新环境

2.需要克隆github上的最新代码

3.需要从huggingface 下载预训练模型文件放到GPT_SoVITS\pretrained_models\gsv-v2final-pretrained下

中文额外需要下载G2PWModel_1.1.zip（下载G2PW模型,解压并重命名为G2PWModel,将其放到GPT_SoVITS\text目录下

待办事项清单

高优先级：
- 日语和英语的本地化。
- 用户指南。
- 日语和英语数据集微调训练。
功能:
- 零样本声音转换（5 秒）/ 少样本声音转换（1 分钟）。
- TTS 语速控制。
- 增强的 TTS 情感控制。
- 尝试将 SoVITS 令牌输入更改为词汇的概率分布。
- 改进英语和日语文本前端。
- 开发体积小和更大的 TTS 模型。
- Colab 脚本。
- 扩展训练数据集（从 2k 小时到 10k 小时）。
- 更好的 sovits 基础模型（增强的音频质量）。
- 模型混合。

（附加）命令行运行方式

使用命令行打开UVR5的WebUI

python tools/uvr5/webui.py "<infer_device>" <is_half> <webui_port_uvr5>

这是使用命令行完成数据集的音频切分的方式

python audio_slicer.py \
    --input_path "<path_to_original_audio_file_or_directory>" \
    --output_root "<directory_where_subdivided_audio_clips_will_be_saved>" \
    --threshold <volume_threshold> \
    --min_length <minimum_duration_of_each_subclip> \
    --min_interval <shortest_time_gap_between_adjacent_subclips> 
    --hop_size <step_size_for_computing_volume_curve>

这是使用命令行完成数据集ASR处理的方式（仅限中文）

python tools/asr/funasr_asr.py -i <input> -o <output>

通过Faster_Whisper进行ASR处理（除中文之外的ASR标记）

（没有进度条，GPU性能可能会导致时间延迟）

python ./tools/asr/fasterwhisper_asr.py -i <input> -o <output> -l <language> -p <precision>

启用自定义列表保存路径

致谢

特别感谢以下项目和贡献者：

Spaces:

kevinwang676
/

GPT-SoVITS-v2-jay

Running on Zero

GPT-SoVITS-WebUI

功能：

安装

测试通过的环境

Windows

Linux

macOS

手动安装

安装 FFmpeg

Conda 用户

Ubuntu/Debian 用户

Windows 用户

MacOS 用户

安装依赖

在 Docker 中使用

docker-compose.yaml 设置

通过 docker compose 运行

通过 docker 命令运行

预训练模型

数据集格式

微调与推理

打开WebUI

整合包用户

其他

微调

现已支持自动填充路径

打开推理WebUI

整合包用户

其他

V2发布说明

待办事项清单

（附加）命令行运行方式

致谢

理论研究

预训练模型

推理用文本前端

WebUI 工具

感谢所有贡献者的努力