想不想克隆自己的声音，输入一段文字后，用你自己的声音朗读出来，下面将手把手教大家如何用GPT-SoVITS训练自己的语音模型，克隆自己的声音，克隆后的声音相似度将会高达99%，根本分辨不出这是克隆的声音还是你本人真实的声音，还不赶紧去试试。

今天我们使用的是GPT-SoVITS，是一款开源的声音克隆和文本到语音转换工具，支持多种语言（将中文、英语、日语文本转换为克隆的声音），在Github上有30K Stars。

项目地址：

https://github.com/RVC-Boss/GPT-SoVITS/

下载并安装GPT-SoVITS

由于大家无法魔法上网和官方的安装方式比较麻烦，尤其对Mac来说，所以提前打包好了，可一键解压安装使用，非常方便，并且后续可更新到最新版本。关注公众号，回复【GPT-SoVITS】，即可获得下载地址。

Windows系统用户下载解压后，执行【go-webui.bat】即可开启Web端开始使用。

Mac用户麻烦一些，需要先安装。打开解压目录，找到【install for mac.sh】，在命令行窗口执行下面命令进行安装：

bash install for mac.sh

安装成功后，双击执行update.command来拉取官方仓库更新，双击执行go-webui.command打开webUI，双击go-api.command启动API。下面是执行完开启webUI的效果。

（开启WebUI）

使用GPT-SoVITS（准备阶段）

1、准备工作

录制自己的音频（建议1分钟以上，2分钟以内即可），并转换为wav格式。转换可以选择用下面网站在线转换后下载即可：

https://www.aconvert.com/cn/audio/

（在线转换为wav格式）

2、去除音频背景声和杂音

我们首先要做的是去除背景音和杂音，打开Web页面后，找到下面的【0-前置数据集获取工具】，选中下面的【是否开启UVR5-WebUI】。

选中后，过一会儿就会自动打开一个新的Web页面。

然后在新打开的页面，我们输入下面信息，具体也可参照下面截图说明：

1）输入自己录制转换成wav格式后的音频的路径

2）选择一个模型，建议选择我这个【HP2-all-vocals】

3）转换后输出的路径，可以修改，建议默认的即可

4）转换后的格式，也要选择wav格式

（参照上面信息填写）

单击【转换按钮】，等一会儿（在背后控制台可看到转换的进度），最后会提示转换成功。

（转换成功）

转换成功后，去上面设置的转换后输出路径中查看，看是否有转换后的文件。

会发现有两个文件，删除第一个instrument开头的那个，只保留下面vocal那个，可以听一下效果如何。

到这里去除背景音和杂音部分就完成了，可以关闭刚才新打开的【UVR5-WebUI】网页，然后取消之前选中的【是否开启UVR5-WebUI】，否则会占用内存。

3、进行语音切割

这一步很简单，只需在【语音切分工具】部分，输入上面处理完的output文件夹路径即可，其他参数默认不变。

然后单击【开启语音切割】，很快结束，提示【切割结束】

切割结束后，去对应上面的output文件夹【slicer_opt】路径下确认下是否切割成功了。

（语音切割成功）

4、开启批量离线ASR

在中文批量离线ASR工具部分，输入上面切割后的音频路径，如果上面步骤没改，默认应该是【slicer_opt】中，进行asr文件生成。

然后单击【开启离线批量ASR】，需要稍等一会儿（同样在控制台可以看到进度），提示【ASR任务完成】才算结束。

任务结束后，在output对应的asr_opt文件夹，查看结果，会发现有一个【slicer_opt.list】。

（生成asr成功）

5、进行语音文本校对（这一步很重要）

在【语音文本校对标注工具】中，输入上面生成的【slicer_opt.list】路径，然后选中【是否开启打标WebUI】，过一会儿会打开一个新的web页面，需要一条一条进行语音校对。

在打开新的web页面中，需要对切割后的语音，一条一条的校对，原则如下：

1）、如果语音不清晰的，直接删除

2）、如果文字不正确的，需要改正文字

3）、语音有间隔的，该加标点符号就加

最后要确保，文字与语音的一致性。翻页选择【Next Index】，整体确认后没有问题了，单击【Submit Text】。

（逐条校对）

提交后，即可关闭新开的网页，回到主页后，和之前一样，取消之前选中的【是否开启打标WebUI】，否则会占用内存。

（回主页后取消选中）

使用GPT-SoVITS（模型训练阶段）

1、开启一键三连

选择【1-GPT-SoVITS-TTS】选项卡后，输入下面三个信息，然后进行一键三连：

1）、【实验/模型名】中输入模型名称，随便起一个即可

2）、【文本标注文件】中输入slicer_opt.list文件路径

3）、【训练集音频文件目录】输入slicer_opt的文件路径

上面三步输入完成后，单击最下面的【开启一键三连】按钮，会稍微等一会儿。

（开启一键三连步骤）

结束后，会提示【一键三连进程结束】

2、进行微调训练（会花一段时间，并且电脑会发热）

首先进行【SoVITS】的训练，可以都设置成默认参数，具体参数不详细介绍了，可以看网页上说明。这里就强调一个参数，如果显卡不太行，建议调低【每张显卡的batch_size】参数，比如设为【8】。然后就可以开始训练了，这一步骤很花时间。

（进行SoVITS训练）

训练的过程和进度，在控制台可以看到，会很漫长。

（SoVITS训练中）

训练完成后，会有训练完成的提示。

然后进行【GPT】的训练，参数都默认就可以。如果想要训练后的结果更精确，可以调高【总训练轮数total_epoch】参数，我这里设置为了【30】。

（进行GPT训练）

训练的过程，在控制台可以看到，过程也同样会很漫长。

（GPT训练中）

训练完成后，会有训练完成的提示。

推理测试（克隆声音）

终于到了最激动人心的时刻了，我们要试试效果如何。

1、推理前的准备

首先在【IC-推理】选项卡，进行下面四步操作，进行推理前的准备。

1）、刷新模型路径

2）、GPT模型列表中，选择最大数的模型

3）、SoVITS模型列表中，选择最大数的模型

4）、选中【是否开启TTS推理WebUI】，开启新的webUI页面，准备进行推理

2、进行推理，生成属于自己的语音

1）、选择一个之前切割的语音，然后对应的输入音频的文字内容，作为参考

2）、输入你想让克隆后的声音朗读的文本

3）、单击按钮【合成语音】，这激动人心的时候

最后，你的声音就克隆出来了，在右侧可以在线听或者进行下载。

（克隆声音）

到这里，就彻底完成了，撒花???????

最后给大家展示下效果：

原版音频：

克隆后的音频：

听起来简直就是一模一样，根本分不清是本人还是克隆的声音在说话，有没有被惊艳到！！！

--------------

大家做的过程中，如果有什么疑问，欢迎评论区留言或者私信我。