如何利用 GPT-SoVITS 快速克隆自己的声音并部署到本地？

本地部署 GPT-SoVITS 最恶心的地方在于环境依赖，建议直接上 Docker 或者用整合包，否则在配置 ffmpeg 和 PyTorch 版本时能浪费掉你整个下午。

克隆声音的核心不在于量大，而在于“纯净”。我试过喂 1 小时的杂音录音，效果远不如 1 分钟录音室级别的干声。建议用手机录制 1-3 分钟，只要确保没有背景噪音、没有回声，且语速平稳即可。

具体操作流程：

1. 数据预处理（最关键的一步）
不要直接把录音丢进去。先用 UVR5 把背景音乐彻底去掉，然后用内置的切片工具将音频切成 2-10 秒的短句。
避坑指南： 标注文件（lab文件）如果出现错别字，合成出来的声音会自带“口音”或者卡顿，必须手动核对一遍文本。

2. 训练配置技巧
在 WebUI 界面，不要盲目追求 Epoch 数量。
参数建议：

• 文本模型（Text Model）跑 10-20 个 Epoch 即可。
• SoVITS 模型跑 10-50 个 Epoch。

如果发现合成的声音开始出现电音（过拟合），立刻回退到之前的权重文件。

3. 快速推理与部署
训练完后，直接用内置的推理界面测试。如果想集成到自己的项目里，可以通过 API 形式调用。

# 启动 API 服务
python api.py -p 9880

调用时，需要提供一段参考音频（Reference Audio）及其对应的文本。参考音频的语气决定了合成声音的情绪，想让它生气，就找一段你生气时的录音作为参考。

效率提升点：
如果你觉得每次手动切片太慢，可以用这个简单的 Python 脚本配合 pydub 快速把长音频按静音段切开，直接生成符合格式的列表。

from pydub import AudioSegment
from pydub.silence import split_on_silence

audio = AudioSegment.from_file("my_voice.wav")
chunks = split_on_silence(audio, min_silence_len=500, silence_thresh=-40)

for i, chunk in enumerate(chunks):
    chunk.export(f"dataset/wavs/slice_{i}.wav", format="wav")

踩坑总结：

• 显存爆炸： 8G 显存是门槛，如果 OOM 了，把 batch_size 调小到 2 甚至 1。
• 声音发干： 这是因为参考音频太短，尝试增加参考音频的时长到 5 秒左右，音质会自然很多。