用 GPT-SoVITS 训练自己的声音模型，避坑指南与参数调优心得

数据集质量直接决定了合成出来的声音像不像，千万别为了凑时长去喂那种带背景音乐或环境噪音的素材。我实测过，1分钟纯净的干声效果远好于10分钟带噪音的录音。

数据清洗的硬核操作
不要指望自带的切分工具能完美处理，建议先用 UVR5 把伴奏和噪音彻底剥离。切分时长控制在 2-10 秒之间，太短了AI学不到语调，太长了容易在推理时崩掉。

参数调优的几个关键点
在训练过程中，千万不要盲目追求 Epoch 数量。过拟合会导致声音出现奇怪的电音感或者吞字。

训练配置建议：

• Batch Size: 显存够就开大点，但建议 4-8 即可，过大反而导致收敛慢。
• Learning Rate: 保持默认，除非你发现 Loss 曲线剧烈抖动，才考虑下调。
• Epoch: 建议每 5-10 个 Epoch 保存一次 checkpoint，训练到一半时手动试听，一旦发现语气开始僵硬，立刻回滚到上一个版本。

避坑指南：推理时的细节
很多人反馈合成的声音像机器人，其实是推理时的参数没调好。在 WebUI 的推理界面，重点调节 Softmax 和 Temperature。

# 伪代码逻辑：调节推理参数
# 想要声音更自然、随机性强一点 -> 适当调高 Temperature (例如 0.8 - 1.2)
# 想要声音更稳定、不乱跑调 -> 调低 Temperature (例如 0.5 - 0.7)

一个提升真实感的 Prompt 技巧
在输入文本时，适当加入标点符号（如逗号、省略号）来强行制造停顿，比在设置里调参数有效得多。

部署环境的坑
如果你是在 Windows 下用 conda 安装，经常会遇到 torch 和 cuda 版本不匹配导致显存溢出。建议直接用官方提供的整合包，或者严格执行以下安装顺序：

# 建议先安装对应版本的 CUDA Toolkit，再执行
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

最容易被忽略的是：参考音频（Reference Audio）的选择。推理时，参考音频的情绪必须和你想合成的文本情绪一致。如果你用一段愤怒的参考音频去合成一段温柔的文字，出来的效果会非常诡异，像是在强行压抑情绪。