blackteay/GPT-SoVITS

Fork 0

mirror of https://github.com/RVC-Boss/GPT-SoVITS.git synced 2025-04-05 19:41:56 +08:00

Yuan-Man 34b4e02092

Update README.md

2024-01-22 23:19:09 +08:00

5.7 KiB

Raw Blame History

GPT-SoVITS-WebUI

强大的少样本语音转换与语音合成Web用户界面。

English | 中文简体

查看我们的介绍视频 demo video

https://github.com/RVC-Boss/GPT-SoVITS/assets/129054828/05bee1fa-bdd8-4d85-9350-80c060ab47fb

功能：

零样本文本到语音（TTS）： 输入5秒的声音样本，即刻体验文本到语音转换。
少样本TTS： 仅需1分钟的训练数据即可微调模型，提升声音相似度和真实感。
跨语言支持： 支持与训练数据集不同语言的推理，目前支持英语、日语和中文。
WebUI工具： 集成工具包括声音伴奏分离、自动训练集分割、中文自动语音识别(ASR)和文本标注，协助初学者创建训练数据集和GPT/SoVITS模型。

环境准备

如果你是Windows用户（已在win>=10上测试），可以直接通过预打包文件安装。只需下载预打包文件，解压后双击go-webui.bat即可启动GPT-SoVITS-WebUI。

Python和PyTorch版本

已在Python 3.9、PyTorch 2.0.1和CUDA 11上测试。

使用Conda快速安装

conda create -n GPTSoVits python=3.9
conda activate GPTSoVits
bash install.sh

手动安装包

Pip包

pip install torch numpy scipy tensorboard librosa==0.9.2 numba==0.56.4 pytorch-lightning gradio==3.14.0 ffmpeg-python onnxruntime tqdm cn2an pypinyin pyopenjtalk g2p_en chardet transformers

额外要求

如果你需要中文自动语音识别（由FunASR支持），请安装：

pip install modelscope torchaudio sentencepiece funasr

FFmpeg

Conda 使用者

conda install ffmpeg

Ubuntu/Debian 使用者

sudo apt install ffmpeg
sudo apt install libsox-dev
conda install -c conda-forge 'ffmpeg<7'

MacOS 使用者

brew install ffmpeg

Windows 使用者

下载并将 ffmpeg.exe 和 ffprobe.exe 放置在 GPT-SoVITS 根目录下。

预训练模型

从 GPT-SoVITS Models 下载预训练模型，并将它们放置在 GPT_SoVITS\pretrained_models 中。

对于中文自动语音识别（另外），从 Damo ASR Model, Damo VAD Model, 和 Damo Punc Model 下载模型，并将它们放置在 tools/damo_asr/models 中。

对于UVR5（人声/伴奏分离和混响移除，另外），从 UVR5 Weights 下载模型，并将它们放置在 tools/uvr5/uvr5_weights 中。

数据集格式

文本到语音（TTS）注释 .list 文件格式：

vocal_path|speaker_name|language|text

语言字典：

'zh': Chinese
'ja': Japanese
'en': English

示例：

D:\GPT-SoVITS\xxx/xxx.wav|xxx|en|I like playing Genshin.

待办事项清单

高优先级：
- 日语和英语的本地化。
- 用户指南。
- 日语和英语数据集微调训练。
Features:
- 零样本声音转换（5秒）/ 少样本声音转换（1分钟）。
- TTS语速控制。
- 增强的TTS情感控制。
- 尝试将SoVITS令牌输入更改为词汇的概率分布。
- 改进英语和日语文本前端。
- 开发体积小和更大的TTS模型。
- Colab脚本。
- 扩展训练数据集（从2k小时到10k小时）。
- 更好的sovits基础模型（增强的音频质量）。
- 模型混合。

致谢

特别感谢以下项目和贡献者：

5.7 KiB Raw Blame History Unescape Escape