文章目录

• • 一、关于 GPT-SoVITS
  • • 功能：
  • 二、安装
  • • 1、Windows
    • 2、Linux
    • 3、macOS
    • 4、手动安装
    • • 4.1 安装依赖
      • 4.2 安装 FFmpeg
      • • Conda 用户
        • Ubuntu/Debian 用户
        • Windows 用户
        • MacOS 用户
    • 5、在 Docker 中使用
    • • 5.1 docker-compose.yaml 设置
      • 5.2 通过 docker compose 运行
      • 5.3 通过 docker 命令运行
  • 三、预训练模型
  • 四、数据集格式
  • 五、（附加）命令行运行方式
  • 六、致谢
  • • 理论研究
    • 预训练模型
    • 推理用文本前端
    • WebUI 工具

一、关于 GPT-SoVITS

• github : https://github.com/RVC-Boss/GPT-SoVITS

功能：

1. 零样本文本到语音（TTS）：输入5秒人声样本，体验即时语音合成转换。
2. 少样本 TTS：仅用1分钟的训练数据微调模型，以提高语音相似性和真实感。
3. 跨语言支持：不同于训练集的语言推理，目前支持英语、日语和中文。
4. WebUI 工具：集成工具包括语音伴奏分离、自动训练集分割、中文ASR和文本标注，帮助初学者创建训练数据集和GPT/SoVITS模型。

演示视频 ：https://www.bilibili.com/video/BV12g4y1m7Uw

未见过的说话者 few-shot 微调演示：

二、安装

中国地区的用户可以点击这里 使用AutoDL Cloud Docker在线体验全部功能。

测试通过的环境

• Python 3.9，PyTorch2.0.1，CUDA 11
• Python3.10.13，PyTorch2.1.2，CUDA 12.3
• Python 3.9， Pytorch2.2.2，macOS14.4.1（苹果芯片）
• Python 3.9，PyTorch 2.2.2，CPU 设备

注: numba==0.56.4 需要 python<3.11

1、Windows

如果您是Windows用户（使用win>=10测试），您可以下载集成的包并双击go-webui. bat以启动GPT-SoVITS-WebUI。

中国地区的用户可以通过单击链接下载该软件包，然后选择“下载副本”（如果下载时遇到错误，请退出。）

2、Linux

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

3、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。

1. xcode-select --install
2. brew install ffmpeg
3. 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 

4、手动安装

4.1 安装依赖

pip install -r requirements.txt 

4.2 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放在GPT-SoVITS根目录中。

MacOS 用户

brew install ffmpeg 

5、在 Docker 中使用

5.1 docker-compose.yaml 设置

1. 关于镜像标签：由于代码库中的快速更新以及打包和测试镜像的缓慢过程，请查看Docker Hub以获取当前打包的最新镜像，并根据您的情况选择，或者根据您自己的需要使用Dockerfile在本地构建。
2. 环境变量：

• is_half：控制半精度/双精度。如果在“SSL提取”步骤中没有正确生成 4-cnhubert/5-wav32k 目录下的内容，这通常是原因。根据您的实际情况调整为True或False。

3. 卷配置，容器内的应用程序根目录设置为 /workspace. 默认 docker-comp.yaml列出了一些上传/下载内容的实际示例。
4. shm_size ：Windows上Docker Desktop 的默认可用内存太小，会导致操作异常。根据自己的情况进行调整。
5. 在部署部分，GPU相关设置应根据您的系统和实际情况谨慎调整。

5.2 通过 docker compose 运行

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

5.3 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 

三、预训练模型

从GPT-SoVITS模型下载预训练模型并将其放入GPT_SoVITS/pretrained_models。

对于UVR5（人声/伴奏分离和混响消除，另外），从 UVR5权重下载模型，并将它们放在tools/uvr5/uvr5_weights。

中国地区的用户可以通过进入下面的链接并单击“下载副本”来下载这两种型号（如果在下载时遇到错误，请退出。）

• GPT-SoVITS型号
• UVR5重量

对于中文ASR（另外），从Damo ASR模型、Damo VAD模型和Damo Punc模型下载模型，并将它们放置在tools/asr/models中。

对于英语或日语ASR（另外），从 Faster Whisper Large V3 下载模型并将它们放置在tools/asr/models。此外，其他模型可能具有类似的效果，磁盘占用空间较小。

中国地区的用户可以通过输入以下链接下载此模型

• Faster Whisper Large V3 （单击下载副本，如果下载时遇到错误，请注销。）
• Faster Whisper Large V3 （HuggingFace镜像网站）

四、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

示例：

D:\GPT-SoVITS\xxx/xxx.wav|xxx|en|I like playing Genshin. 

五、（附加）命令行运行方式

使用命令行打开 UVR5 的 WebUI

python tools/uvr5/webui.py ""   

如果打不开浏览器，请按照下面的格式进行UVR处理，这是使用 mdxnet 进行音频处理的方式

python mdxnet.py --model --input_root --output_vocal --output_ins --agg_level --format --device --is_half_precision  

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 "" \     --output_root "" \     --threshold  \     --min_length  \     --min_interval       --hop_size  

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  -o 
 

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  -o 
 -l  -p  

启用自定义列表保存路径

六、致谢

特别感谢以下项目和贡献者：

理论研究

• ar-vits
• SoundStorm
• vits
• TransferTTS
• contentvec
• hifi-gan
• fish-speech

预训练模型

• Chinese Speech Pretrain
• Chinese-Roberta-WWM-Ext-Large

推理用文本前端

• paddlespeech zh_normalization
• LangSegment

WebUI 工具

• ultimatevocalremovergui
• audio-slicer
• SubFix
• FFmpeg
• gradio
• faster-whisper
• FunASR

2024-08-03（六）