GPT-SoVITS：少样本中文语音克隆与语音合成｜部署与使用全指南

GPT-SoVITS —— 少样本中文语音克隆与语音合成（5 秒零样本 / 1 分钟微调）

适用场景说明：本节面向博主「个人电脑本地部署」场景，环境基线为 Windows 10/11 + WSL2（Ubuntu 24.04）、RTX 3070 8GB / RTX 4090 24GB，另含 Linux 云服务器视角。所有事实均以官方 GitHub README、LICENSE、源码与官方 HF 仓库为准；官方未公布的数值在文中明确标注「README 未给出 / 待实测」，不做推测填充。

项目定位与基本信息

官方图片

• 下图来自官方 README「Zero-Shot TTS Speaker Similarity Comparison Image on SeedTTS Eval Testset_CN2020」小节，为官方音色相似度对比图（非 AI 生成、非第三方图片）：

说明：官方 README 未提供独立 logo 文件，另一处官方素材为 GitHub 附件中的演示视频（https://github.com/RVC-Boss/GPT-SoVITS/assets/129054828/05bee1fa-bdd8-4d85-9350-80c060ab47fb ，视频，非图片，故未纳入本节图集）。本节仅使用上述 1 张官方静态图。

环境要求

以下表格中，官方 README 「Tested Environments」实测组合列于「依赖 / 版本实测记录」行；README 未公布的显存、内存下限均如实标注。

最详细部署步骤（Windows 与 WSL2 双视角）

方案 A：Windows 官方整合包（免环境、解压即用，README 首选方案）

README「Windows」节原文指引：Windows 用户（tested with win>=10）下载整合包后双击 _go-webui.bat 启动 WebUI。

1. 依赖安装

• 整合包内置 Python 运行环境，无需自行安装 Python / PyTorch。
• 安装 Visual Studio 2017 运行库（README 指引）：https://aka.ms/vs/17/release/vc_redist.x86.exe
• 提示：README 手动安装节要求 Windows 用户把 ffmpeg.exe、ffprobe.exe 放到项目根目录（README 未明确说明整合包是否已内置这两个程序）；整合包启动后若提示缺少 FFmpeg，再按 04.4 方案 B 的 Windows 小节补放。

2. 项目下载（官方 release / HF 整合包链接，已逐一验证）

README 当前正文链接（2026-10-25 复核可访问，HTTP 302 → 200）：

https://huggingface.co/lj1995/GPT-SoVITS-windows-package/resolve/main/GPT-SoVITS-v3lora-20250228.7z?download=true

• 国内网络加速：README 为中国大陆用户提供了国内下载页（语雀）：https://www.yuque.com/baicaigongchang1145haoyuangong/ib3g1e/dkxgpiy9zb96hob4 （README「Users in China can download the package here」链接）。
• HF 仓库文件列表（含更新的 v5 包与 nvidia50 变体，来源 https://huggingface.co/lj1995/GPT-SoVITS-windows-package ，HF API 实测）：

选择建议（非 README 强制规定）：纯按 README 正文走即选 v3lora 包；想体验 v5 音色相似度与 CUDA Graph / flash attention 加速可选用 v5 包。nvidia50 系列变体面向 RTX 50 系显卡，3070 / 4090 选择普通包即可。

3. 模型 / 权重下载

• 整合包已内置对应底模，一般无需手动下载；手动补充模型的放置目录见下方方案 B 第 3 步（目录结构相同）。

4. 关键配置

5. 启动

# 解压后进入目录，双击即可，等价命令：
.\go-webui.bat
# 如需 v1 版本：
.\go-webui-v1.bat
# 仅打开推理 WebUI：
.\go-webui-v2.bat

浏览器自动打开本地 Gradio 页面（默认监听本机回环地址；具体端口以启动终端输出为准，README 未固化端口号）。

方案 B：WSL2（Ubuntu 24.04）源码部署（官方 install.sh 一键脚本）

README「Linux」节官方命令（环境前置：Anaconda / Miniconda 已安装；WSL2 内已可 nvidia-smi 看到 3070 / 4090）：

1. 依赖安装（conda 环境 + 一键脚本自动装 torch / CUDA 依赖）

# 进入准备好的项目目录
git clone https://github.com/RVC-Boss/GPT-SoVITS.git
cd GPT-SoVITS

# 官方 README Linux 节命令
conda create -n GPTSoVits python=3.10
conda activate GPTSoVits

# --device 可选 CU126 | CU128 | ROCM | CPU；--source 可选 HF | HF-Mirror | ModelScope
# 国内网络直接选 HF-Mirror 或 ModelScope，脚本自动走对应镜像源拉取模型
bash install.sh --device CU128 --source HF-Mirror --download-uvr5

install.sh 参数表（已核对官方脚本 print_help 输出，来源：仓库 install.sh 源码）：

2. 项目下载 / 安装（手动等价步骤，README「Install Manually」节）

一键脚本失败时可按 README 手动流程安装：

conda create -n GPTSoVits python=3.10
conda activate GPTSoVits

# README 原文顺序：先装 extra-req（--no-deps），再装主依赖
pip install -r extra-req.txt --no-deps
pip install -r requirements.txt

FFmpeg 安装（README「Install FFmpeg → Ubuntu/Debian Users」节）：

sudo apt update
sudo apt install ffmpeg
sudo apt install libsox-dev
# conda 用户等价方式：
conda install ffmpeg

Windows 源码部署等价命令（README「Windows」节 PowerShell）：

conda create -n GPTSoVits python=3.10
conda activate GPTSoVits
pwsh -F install.ps1 --Device CU128 --Source HF-Mirror [--DownloadUVR5]
# --Device 可选 CU126 | CU128 | CPU；--Source 可选 HF | HF-Mirror | ModelScope（已核对 install.ps1 param 定义）

Windows 手动安装 FFmpeg：README 指引将 ffmpeg.exe（https://huggingface.co/lj1995/VoiceConversionWebUI/blob/main/ffmpeg.exe ）与 ffprobe.exe（https://huggingface.co/lj1995/VoiceConversionWebUI/blob/main/ffprobe.exe ）放入项目根目录。

3. 模型 / 权重下载（README「Pretrained Models」节；install.sh 跑成功可跳过第 1、2、3 项）

国内加速方案：

• 官方脚本内置 --source HF-Mirror / ModelScope 两个国内友好源（README 官方支持，优先使用）。
• 手动 pip / 模型下载场景，可使用 Hugging Face Hub 标准环境变量 HF_ENDPOINT 切换镜像（机制来自底层 huggingface_hub 库，环境变量说明见 https://huggingface.co/docs/huggingface_hub/guides/environment-variables ）：

export HF_ENDPOINT=https://hf-mirror.com

• 各版本专用目录（README 各版本发布说明，供升级时对照）：v2 底模放 GPT_SoVITS/pretrained_models/gsv-v2final-pretrained；v3 底模（s1v3.ckpt、s2Gv3.pth、models--nvidia--bigvgan_v2_24khz_100band_256x 文件夹）放 GPT_SoVITS/pretrained_models；v4 底模（gsv-v4-pretrained/s2v4.pth、gsv-v4-pretrained/vocoder.pth）放 GPT_SoVITS/pretrained_models；v2Pro 底模（v2Pro/ 四个权重 + sv/pretrained_eres2netv2w24s4ep4.ckpt）放 GPT_SoVITS/pretrained_models；v5 底模保持 gsv-v5-pretrained 子目录，即最终路径 GPT_SoVITS/pretrained_models/gsv-v5-pretrained（README V5 Release Notes）。

RTX 3070 8GB 降级选择（README 官方支持项与可选项分列）：

4. 关键配置（目录与开关速查）

.list 标注行示例（README Dataset Format 原文示例，字段以竖线分隔）：

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

5. 启动（README「Open WebUI」节命令）

# 主 WebUI（训练 + 推理入口），language 为可选参数
python webui.py
# 指定语言：
python webui.py zh
# 切换 v1：
python webui.py v1
python webui.py v1 zh

独立推理 WebUI：

python GPT_SoVITS/inference_webui.py
# 或执行 python webui.py 后在界面内进入推理页

使用方法

启动方式

推理界面操作步骤（1-GPT-SoVITS-TTS / 1C-inference 页，README「Open Inference WebUI」节 + 官方 inference_webui.py 源码控件核对）

1. 顶部「模型切换」下拉选择 GPT 模型与 SoVITS 模型，点「刷新模型路径」重载目录；首次使用选择整合包 / 底模默认模型即可。
2. 「请上传并填写参考信息」区：上传 3–10 秒参考音频；在「参考音频的文本」框填写该音频的转写文本；「参考音频的语种」选对应语种。
3. 「请填写需要合成的目标文本和语种模式」区：粘贴待合成文本；「需要合成的语种」选目标语种；「怎么切」选择长文本切分策略。
4. 调整语速、句间停顿与 GPT 采样参数（参数表见下），点击「合成语音」，「输出的语音」播放器出现结果后可在线试听、下载。

参数说明表（来源：官方仓库 GPT_SoVITS/inference_webui.py Gradio 控件定义，行号对应源码）

微调训练流程（README「Finetune → Finetune」节，官方 WebUI 流程简述）

README 明确支持路径自动填充，顺序为：

1. 填写音频路径；
2. 将音频切片为小片段；
3. 降噪（可选）；
4. ASR 自动转写；
5. 人工校对 ASR 转写文本；
6. 进入下一标签页，微调模型。

数据集标注格式见 04.4 配置表；训练所需 .list 三字段：音频路径|说话人名|语种|文本。

端到端示例：5 秒零样本合成一段中文博客口播

准备素材：一段 3–10 秒、单人、无背景音乐、口齿清晰的目标音色录音（ref.wav），用记事本写出其原话文字（例如「大家好，欢迎来到我的技术博客。」）。

操作步骤：

1. 双击 go-webui.bat（整合包）或执行 python GPT_SoVITS/inference_webui.py（源码），打开 1-GPT-SoVITS-TTS / 1C-inference 页。
2. 上传 ref.wav；「参考音频的文本」粘贴原话；「参考音频的语种」选「中文」。
3. 「需要合成的文本」粘贴口播稿，例如：

「今天这期视频，我们来聊一聊几个适合本地部署的开源语音项目，从语音克隆到实时对话，全部跑在自己的电脑上。」

4. 「需要合成的语种」选「中文」；「怎么切」选「凑四句一切」；语速保持 1；top_k 15、top_p 1、temperature 1 保持默认。
5. 点击「合成语音」，在输出播放器试听；相似度不满意时：核对参考文本是否准确、换更干净的 3–10 秒参考音频；情绪 / 音色仍不满足可走 04.5 微调流程，用约 1 分钟目标音色数据微调（README Few-shot TTS 说明）。

命令行备用入口（README 原文）：UVR5 分离伴奏、音频切片、中文 FunASR 标注、非中文 faster-whisper 标注命令见 04.5「启动方式」表。

常见坑

本节来源清单

待复核项：英文指南 rentry.co 链接、Colab Notebook 链接在本部署环境网络受限（curl 000），地址均逐字摘自官方 README 徽章，建议读者在国内浏览器 / Colab 环境内二次打开确认。