如何利用 GPT-SoVITS 快速克隆自己的声音并部署到本地端

想要在本地跑通 GPT-SoVITS 且不让声音听起来像个机器人，最关键的不是模型版本，而是数据集的“纯净度”。很多人直接扔 10 分钟音频进去就开练，结果出来的声音带着浓重的电音或环境噪音，其实只要在预处理阶段多花 5 分钟，效果能提升一个档次。

准备数据集时，建议直接用 UVR5 把背景音乐剔除，只留人声。录音样本控制在 1-2 分钟即可，但必须保证每段切片在 3-10 秒之间。如果你是用自带的切片工具，记得把静音阈值调高，否则切出的音频开头结尾会有尴尬的空白，导致合成出来的语音语速忽快忽慢。

部署建议直接上 Docker 或者用整合包，但配置时记得给显存留足空间。如果你是 8G 显存的卡，训练时记得开启 fp16 模式。

具体的训练流程，我总结了一套快速迭代的逻辑：
1. 文本标注：不要依赖自动标注，尤其是中文，错别字会导致模型在那个音节上产生奇怪的电音。手动修正 .lst 文件里的文本，确保文字和音频完全对应。
2. 训练参数：不要盲目追求 Epoch 数。通常 SoVITS 部分跑 10 个 Epoch，GPT 部分跑 20 个左右就足够了。过拟合会导致声音虽然像，但失去了自然的语调起伏。
3. 权重选择：在推理界面，尝试不同的 top_k 和 top_p 参数。如果觉得声音太死板，适当调高 temperature（建议 0.8 - 1.0），能增加声音的随机性和自然感。

在推理阶段，如果你想让克隆的声音更有感情，记得在参考音频（Reference Audio）里选一段语调起伏明显、且与目标文本情绪一致的片段。

本地部署后的 API 调用可以参考这个 Python 脚本，直接对接 WebUI 的接口实现自动化文本转语音：

import requests

def text_to_speech(text, ref_path, lang="zh"):
    url = "http://127.0.0.1:9880/predict"
    params = {
        "text": text,
        "ref_path": ref_path,
        "prompt_text": "这里填参考音频的文字内容",
        "language": lang
    }
    response = requests.get(url, params=params)
    with open("output.wav", "wb") as f:
        f.write(response.content)

# 调用示例
text_to_speech("这次尝试克隆的效果出乎意料地好", "my_voice_sample.wav")

踩过最大的坑是路径问题：所有数据集路径绝对不能有中文，否则在运行 train.py 时会直接报编码错误，导致程序崩溃且不给具体提示。建议全部使用英文命名，并在根目录下建立 dataset 文件夹统一管理。