📢 GPT-SoVITS声音克隆详细教程：从准备到实现

🎯 前期准备工作

在开始声音克隆前，我们需要做好以下准备工作：

1. 准备声音素材：
   • 需要一段用于克隆的声音素材
   • 时长控制在30分钟以内（示例中使用的是1分钟音频）
2. 准备AIDI账号：
   • 注册一个AIDI账号
   • 向账户内充值10元（足够基本使用）

🖥️ 服务器配置与设置

选择合适的GPU服务器

1. 进入控制台页面，点击”容器实例“
2. 点击”租用新实例“
3. 选择GPU规格：
   • 不推荐选择4090D（价格高但性能不佳）
   • 推荐选择4090或其他显存在24GB以上的GPU型号
   • 注意：CUDA版本必须是11.8及以上，否则会报错
     

选择适合的镜像

1. 点击”社区镜像“
2. 在列表框中输入”GPT“
3. 选择最新的V7.2版本镜像（包含GPT-SoVITS V3）
4. 点击”立即创建”
   
   > 重要提醒：使用完毕后务必记得关机，否则系统会持续计费！

🔄 前置数据处理阶段

上传声音文件

1. 点击Jupyter实验室 等待实例加载完成
   
2. 滚动到页面下方，选择脚本块并点击”运行“
3. 等待显示”移动完成”
   
4. 选择”启动web UI“并运行
5. 等待出现两条蓝色链接，选择下面那条
6. 打开SoVITS模型所在input文件夹，上传准备好的声音文件
   
   

使用UVR5工具提取人声

1. 开启UVR5工具，等待启动完成
2. 点击蓝色链接进入UVR5工具的Web UI页面
3. 在SoVITS模型的输出目录中新建三个文件夹：
   • 第一次人声输出文件夹
   • 第二次人声输出文件夹
   • 伴奏文件夹
     
4. 官方推荐的三步处理流程：
   • 第一次：使用去混响、去延迟模式 onnx_dereverb_By_FoxJoy
   • 第二次：使用去混响模式 VR-DeEchoDeReverb
   • 第三次：使用去伴奏模式 HP2_all_vocals
5. 填入文件路径和保存地址（Linux系统需在路径前添加”/root”）
   

6. 点击”Convert“按钮开始处理
7. 完成三次处理后，关闭UVR5 UI页面和工具
   

音频切片处理

1. 设置切片时长（单位：毫秒），保持默认参数
2. 点击”开启语音切割“，等待切片完成
3. 不推荐使用语音降噪功能
   
   

📝 语音标注与校对

自动标注

1. 使用自动标注工具标注切割好的音频
2. 保持默认参数，等待自动标注完成

手动校对

1. 使用标注校对工具对自动标注的音频进行校对
2. 点击蓝色链接进入校对工具UI页面

3. 校对流程：

   • 播放音频，根据实际内容校对文字
   • 需要停顿的地方添加逗号
   • 每修改完一条，立即点击”Submit Text“提交文本
   • 再点击”Save File“保存文件
   • 翻页请点击”NEXT Index“
   • 如需删除音频，先勾选音频后面的”Yes“，再点击”Delete Audio“
4. 选择几个代表不同语气的音频片段作为样本，下载到本地
   • 文件名最好用标注的内容命名（用于后续模型推理）
     

🚀 模型训练

初始训练

1. 关闭校对工具UI
2. 输入自定义的模型名称和版本
3. 选择”V3“版本，其他参数保持默认
4. 点击”开启一键三连“开始初训模型
5. 等待初训完成

微调训练

1. 所有参数保持默认
2. 注意训练顺序：必须等SoVITS训练完成再开始训练GPT
3. 完成后，模型训练结束

💬 模型推理与使用

开始推理

1. 开启TTS推理Web UI
2. 上传保存的音频片段，用于语气参考（如平静、欢乐等）
3. 可以尝试不同参数进行推理，找到最适合的效果
   

实用提示

• 可以尝试不同的参数组合，总有一款适合您的需求
• 重要提醒：使用完毕后记得去控制台关机，避免持续计费

🔍 常见问题与解决方案

• GPU选择问题：CUDA版本必须11.8及以上，显存建议24GB以上
• 音频处理建议：按照官方推荐的三步流程处理，效果最佳
• 训练顺序问题：必须先完成SoVITS训练，再进行GPT训练

我认为：这篇声音克隆教程，看似技术繁复，实则暗藏人性幽微。表面上是教人如何复制声音，骨子里却是对身份认同的一次拷问。声音作为人的第二张脸，如今也能被轻易复制，这不禁让我想起《阿Q正传》中阿Q那可悲的精神胜利法。当技术让我们能够轻易”成为”他人，我们是否也在不知不觉中丧失了自我？这种技术的普及，会不会让我们像鲁镇的看客一样，对真假界限越来越模糊，最终连自己的声音都变得陌生？声音克隆技术的发展，或许正是当代社会身份焦虑的一面照妖镜。

#GPT-SoVITS