mirror of
https://github.com/RVC-Boss/GPT-SoVITS.git
synced 2025-04-06 03:57:44 +08:00
161 lines
5.7 KiB
Markdown
161 lines
5.7 KiB
Markdown
<div align="center">
|
||
|
||
<h1>GPT-SoVITS-WebUI</h1>
|
||
少样本强大的声音转换与文本到语音网络界面。<br><br>
|
||
|
||
[](https://github.com/RVC-Boss/GPT-SoVITS)
|
||
|
||
<img src="https://counter.seku.su/cmoe?name=gptsovits&theme=r34" /><br>
|
||
|
||
[](https://github.com/RVC-Boss/GPT-SoVITS/blob/main/LICENSE)
|
||
[](https://huggingface.co/lj1995/GPT-SoVITS/tree/main)
|
||
|
||
[**English**](./README.md) | [**中文简体**](./README_ZH.md)
|
||
|
||
</div>
|
||
|
||
------
|
||
|
||
|
||
|
||
> 查看我们的介绍视频 [demo video](https://www.bilibili.com/video/BV12g4y1m7Uw)
|
||
|
||
https://github.com/RVC-Boss/GPT-SoVITS/assets/129054828/05bee1fa-bdd8-4d85-9350-80c060ab47fb
|
||
|
||
## 功能：
|
||
1. **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。
|
||
|
||
2. **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。
|
||
|
||
3. **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。
|
||
|
||
4. **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](https://huggingface.co/lj1995/GPT-SoVITS-windows-package/resolve/main/GPT-SoVITS-beta.7z?download=true)，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
|
||
|
||
```bash
|
||
conda create -n GPTSoVits python=3.9
|
||
conda activate GPTSoVits
|
||
bash install.sh
|
||
```
|
||
### 手动安装包
|
||
#### Pip包
|
||
|
||
```bash
|
||
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
|
||
```
|
||
|
||
#### 额外要求
|
||
|
||
如果你需要中文自动语音识别（由FunASR支持），请安装：
|
||
|
||
```bash
|
||
pip install modelscope torchaudio sentencepiece funasr
|
||
```
|
||
|
||
#### FFmpeg
|
||
|
||
##### Conda 使用者
|
||
```bash
|
||
conda install ffmpeg
|
||
```
|
||
|
||
##### Ubuntu/Debian 使用者
|
||
|
||
```bash
|
||
sudo apt install ffmpeg
|
||
sudo apt install libsox-dev
|
||
conda install -c conda-forge 'ffmpeg<7'
|
||
```
|
||
|
||
##### MacOS 使用者
|
||
|
||
```bash
|
||
brew install ffmpeg
|
||
```
|
||
|
||
##### Windows 使用者
|
||
|
||
下载并将 [ffmpeg.exe](https://huggingface.co/lj1995/VoiceConversionWebUI/blob/main/ffmpeg.exe) 和 [ffprobe.exe](https://huggingface.co/lj1995/VoiceConversionWebUI/blob/main/ffprobe.exe) 放置在 GPT-SoVITS 根目录下。
|
||
|
||
### 预训练模型
|
||
|
||
|
||
从 [GPT-SoVITS Models](https://huggingface.co/lj1995/GPT-SoVITS) 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](https://modelscope.cn/models/damo/speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8404-pytorch/files), [Damo VAD Model](https://modelscope.cn/models/damo/speech_fsmn_vad_zh-cn-16k-common-pytorch/files), 和 [Damo Punc Model](https://modelscope.cn/models/damo/punc_ct-transformer_zh-cn-common-vocab272727-pytorch/files) 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](https://huggingface.co/lj1995/VoiceConversionWebUI/tree/main/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：
|
||
|
||
- [ar-vits](https://github.com/innnky/ar-vits)
|
||
- [SoundStorm](https://github.com/yangdongchao/SoundStorm/tree/master/soundstorm/s1/AR)
|
||
- [vits](https://github.com/jaywalnut310/vits)
|
||
- [TransferTTS](https://github.com/hcy71o/TransferTTS/blob/master/models.py#L556)
|
||
- [Chinese Speech Pretrain](https://github.com/TencentGameMate/chinese_speech_pretrain)
|
||
- [contentvec](https://github.com/auspicious3000/contentvec/)
|
||
- [hifi-gan](https://github.com/jik876/hifi-gan)
|
||
- [Chinese-Roberta-WWM-Ext-Large](https://huggingface.co/hfl/chinese-roberta-wwm-ext-large)
|
||
- [fish-speech](https://github.com/fishaudio/fish-speech/blob/main/tools/llama/generate.py#L41)
|
||
- [ultimatevocalremovergui](https://github.com/Anjok07/ultimatevocalremovergui)
|
||
- [audio-slicer](https://github.com/openvpi/audio-slicer)
|
||
- [SubFix](https://github.com/cronrpc/SubFix)
|
||
- [FFmpeg](https://github.com/FFmpeg/FFmpeg)
|
||
- [gradio](https://github.com/gradio-app/gradio)
|
||
|
||
## 感谢所有贡献者的努力
|
||
<a href="https://github.com/RVC-Boss/GPT-SoVITS/graphs/contributors" target="_blank">
|
||
<img src="https://contrib.rocks/image?repo=RVC-Boss/GPT-SoVITS" />
|
||
</a>
|