GPT-SoVITS音色克隆-模型训练步骤
- GPT-SoVITS模型源码
- 一个简单的TTS后端项目 基于
- 模型部署和训练教程，语雀
模型部署和训练教程
启动模型训练的主页面
1. 切到模型路径
/psycheEpic/GPT-SoVITS
- 进入Python虚拟环境，并挂起执行python脚本
conda activate GPTSoVits
nohup python ./webui.py >>./webui.log &
- 查看日志 tail -500f webui.log
2. uvr5人声分离和去混响处理
- 切换到路径
cd /psycheEpic/GPT-SoVITS/tools/uvr5
- 启动uvr5操作web界面
python webui.py "cuda" True 15666 True
3. 人声分离操作
在浏览器进入界面：https://73de21d131614dd42e.gradio.live，这个地址每次启动都会变得
先用HP2模型处理一遍（提取人声），然后将输出的干声音频再用onnx_dereverb最后用DeEcho-Aggressive（去混响），输出格式选wav。输出的文件默认在GPT-SoVITS-beta\GPT-SoVITS-beta\output\uvr5_opt这个文件夹下，建议不要改输出路径，到时候找不到文件谁也帮不了你。处理完的音频（vocal）的是人声，(instrument)是伴奏，(No Reverb)的没混响的，（Reverb）的是混响。（vocal）(No Reverb)才是要用的文件，其他都可以删除。结束后记得到WebUI关闭UVR5节省显存。
1）第一步先提前人声，人声和背景音乐分离，HP2模型
2）第二步将上一步分离出来的人声，上传作为输入，再使用onnx_dereverb提前一次人声
3）第三步将上一步的人声作为输入，去混响，使用DeEcho-Aggressive（去混响）
4. 将长视频进行切割
进入主页面操作：
5.给切割好的视频作为输入，给对路径，调用模型进行打标
为什么要打标：打标就是给每个音频配上文字，这样才能让AI学习到每个字该怎么读。这里的标指的是标注
这步很简单只要把刚才的切分文件夹输入，如果你音频降噪过，那么默认是output/slicer_opt文件夹，如果你切分了没有降噪，那么默认是output/slicer_opt文件夹。然后选择达摩ASR或者fast whisper。达摩ASR只能用于识别中文，效果也最好。fast whisper可以标注99种语言，是目前最好的英语和日语识别，模型尺寸选large V3，语种选auto自动就好了。然后点开启离线批量ASR就好了，默认输出是output/asr_opt这个路径，建议不要改输出路径，到时候找不到文件谁也帮不了你。ASR需要一些时间，看着控制台有没有报错就好了。
6. 标注校验
7.GPT-SoVITS-TTS-训练集格式化工具-填好参数一键三连
8. 微调训练
9. 模型推理，刷新模型
- 执行脚本，打开推理页面
进入Python环境
conda activate GPTSoVits
cd /psycheEpic/GPT-SoVITS/GPT_SoVITS/
nohup python inference_webui.py >>./inference_webui.log &
