GPT SoVITS
v2
英语|中文简体|日本语| 한국어 | Türkçe
零击中TT：输入5秒的声音样本，并体验即时文本到语音转换。
几乎没有射击的TT：微调模型，只需1分钟的训练数据即可改善语音相似性和现实主义。
跨语性支持：与培训数据集不同的语言推断，目前支持英语，日语，韩语，广东话和中文。
WebUI工具：集成工具包括语音伴奏分离，自动培训集细分，中文ASR和文本标签，协助初学者创建培训数据集和GPT/Sovits模型。
在这里查看我们的演示视频！
看不见的扬声器很少射击微调演示：
用户指南：简体中文|英语
对于中国的用户，您可以单击此处使用AutoDL Cloud Docker在线体验完整的功能。
注意：numba == 0.56.4需要py <3.11
如果您是Windows用户（通过WIN> = 10进行测试），则可以在go-webui.bat上下载集成软件包，并双击以启动GPT-Sovits-Webui。
中国用户可以在此处下载包裹。
conda create -n GPTSoVits python=3.9
conda activate GPTSoVits
bash install.sh注意：与在其他设备上训练的模型相比，在MAC上接受GPU训练的模型导致质量明显降低，因此我们暂时使用CPU。
xcode-select --install安装XCode命令行工具。brew install ffmpeg 。conda create -n GPTSoVits python=3.9
conda activate GPTSoVits
pip install -r requirements.txtconda install ffmpegsudo apt install ffmpeg
sudo apt install libsox-dev
conda install -c conda-forge ' ffmpeg<7 ' 下载并将ffmpeg.exe和ffprobe.exe放在GPT-Sovits root中。
安装Visual Studio 2017（仅韩语TTS）
brew install ffmpegpip install -r requirements.txt docker compose -f "docker-compose.yaml" up -d
如上所述，根据您的实际情况修改相应的参数，然后运行以下命令：
docker run --rm -it --gpus=all --env=is_half=False --volume=G:GPT-SoVITS-DockerTestoutput:/workspace/output --volume=G:GPT-SoVITS-DockerTestlogs:/workspace/logs --volume=G:GPT-SoVITS-DockerTestSoVITS_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
中国的用户可以在此处下载所有这些模型。
从GPT-Sovits型号下载预处理的型号，并将其放入GPT_SoVITS/pretrained_models中。
从G2PWModel_1.1.zip下载G2PW模型，UNZIP并重命名为G2PWModel ，然后将它们放入GPT_SoVITS/text中。（仅中文TTS）
对于UVR5（人声/伴奏分离和删除混响），从UVR5权重下载模型，然后将其放入tools/uvr5/uvr5_weights中。
对于中国ASR（另外），请从Damo ASR模型，Damo VAD模型和Damo Punc模型下载模型，然后将它们放入tools/asr/models中。
对于英语或日语ASR（另外），请从更快的窃窃私语中下载模型，然后将其放入tools/asr/models中。此外，其他型号可能具有较小的磁盘足迹具有相似的效果。
TTS注释.LIST文件格式：
vocal_path|speaker_name|language|text
语言词典：
例子：
D:GPT-SoVITSxxx/xxx.wav|xxx|en|I like playing Genshin.
双击go-webui.bat或使用go-webui.ps1如果要切换到v1，则双击go-webui-v1.bat或使用go-webui-v1.ps1
python webui.py < language(optional) >如果要切换到V1，则
python webui.py v1 < language(optional) >或Webui中的Maunally Switch版本
1.Fill in the audio path
2.Slice the audio into small chunks
3.Denoise(optinal)
4.ASR
5.Proofreading ASR transcriptions
6.Go to the next Tab, then finetune the model
双击go-webui-v2.bat或使用go-webui-v2.ps1 ，然后在1-GPT-SoVITS-TTS/1C-inference打开推理webUI
python GPT_SoVITS/inference_webui.py < language(optional) >或者
python webui.py然后在1-GPT-SoVITS-TTS/1C-inference打开推理webUI
新功能：
支持韩语和广东话
优化的文本前端
预先训练的模型从2K小时延长到5K小时
提高低质量参考音频的合成质量
更多细节
使用V1环境中的V2：
pip install -r requirements.txt更新一些软件包
克隆Github的最新代码。
从HuggingFace下载V2预估计的模型，然后将其放入GPT_SoVITSpretrained_modelsgsv-v2final-pretrained 。
中文V2附加：G2PWMODEL_1.1.ZIP（下载G2PW型号，UNZIP和RENAME至G2PWModel ，然后将它们放入GPT_SoVITS/text中。
高优先级：
特征：
使用命令行打开UVR5的WebUI
python tools/uvr5/webui.py "<infer_device>" <is_half> <webui_port_uvr5>
这就是使用命令行完成数据集的音频分割的方式
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（仅中文）完成数据集ASR处理的方式
python tools/asr/funasr_asr.py -i <input> -o <output>
ASR处理是通过更快的_whisper执行的（ASR标记除中文）
（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>
自定义列表保存路径已启用
特别感谢以下项目和贡献者：
感谢 @Naozumi520提供广东话训练和有关广东话相关的知识的指导。
