GPT-SoVITS：训练自己的声音【超详细教程】

       上一篇文章《在modelscope（魔塔）部署GPT-SoVITS并实现网络穿透，可外部调用》中我们介绍了如何在魔塔平台搭建GPT-SoVITS工具，今天，我们就详细介绍一下如何训练出自己的声音，话不多说，那我们现在开始。

       我们先大概介绍一下相关流程：第一步需要录一段自己或者喜欢的声音的录音作为训练集；第二步需要对录音中的背景音进行去除，提取人声；第三步对语音进行切分；第四步对切分好的录音再进行降噪处理；第五步再将降噪后的录音进行自动文本标注，生成标签文件；第六步将生成的标注文件进行人工矫正；第七步加载训练集；第八步选择与训练模型进行训练；第九步加载训练好的模型进行推理；其中1-7步是训练模型前期的训练集准备工作，8和9分别是训练和推理；

一、训练集准备

1.1 录音采集

       可以通过一些电子设备进行声音采集，这里我选择使用手机上的录音功能录制了一段自己读文章的声音，导出格式为m4a；

1.2 人声伴奏分离

GPT-SoVITS使用了UVR5模型对音频信息进行人声伴奏分离；如下图操作：

1）勾选‘是否开启UVR5-WebUI’；

2）返回服务器界面，会看到如下图所示，服务器又新开了一个端口，我们把新开的端口同样进行网络穿透（网络穿透的教程详见《在modelscope（魔塔）部署自己的Stable-Diffusion-WebUI并实现网络穿透，可外部调用》这篇文章的第三章）；

3）本地访问对应http地址，可以看到如下图界面；

4)按下图顺序依次执行对应操作，点击转换即可分离，查看对应输出文件夹是否有音频文件输出；

5）关闭该界面，同时回到服务器关闭对该端口的网络穿透，如下图所示，跳转到GPT-SoVITS-WebUI界面，点击关闭UVR5-WebUI；

1.3 语音切割

如下图所示，输入刚才分离出来的人声的文件路径或者文件夹路径，点击‘开启语音切割’；

1.4 语音降噪

如下图所示，输入切割后的文件夹路径以及输出路径，点击‘开启语音降噪’；

1.5 中文批量ASR（自动文本标注）

如下图所示，输入降噪输出文件夹路径为输入路径，定义输出路径，其余参数默认，点击‘开启离线批量ASR’，会在对应文件夹下生成一个.list文件；

1.6 语音文本矫正

1）如下图所示，先正确填写生成的.list文件的路径，然后勾选‘是否开启WebUI’，返回服务器界面，会看到又新开启了一个端口，同样将该端口进行网络穿透，在本地访问对应http地址；

2）本地访问后会出现如下所示Web界面，可以点击播放每一段音频，对前面的文本进行字词标点断句的矫正；其中Submit Text表示对修改内容在.list标签中更新，Delete Audio表示对红框5选中数据删除，Previous Index和Next Index分别表示前后翻页，Choose Audio表示对吐字不清，音质效果不好的数据选中删除；

3）完成之后关闭界面，回到服务器断掉该端口的网络穿透，再跳回GPT-SoVITS-WebUI界面，点击关闭‘打标WebUI‘；

1.7 训练集加载

回到界面最上方，点击‘1-GPT-SoVITS-TTS’，填写实验名，点击‘1A-训练集格式化工具’，填写.list文件路径，点击‘开启一键三连’；

二、模型训练

点击‘1B-微调训练’进入下图所示界面，根据自己显存大小和训练集数据量大小调整batch和epoch大小，依次点击‘开启SoVITS训练’、‘开启GPT训练’

三、模型推理

1）训练完成后点击‘1C-推理’，进入如下界面，添加刚才训练好的两个模型的路径，勾选‘是否开启TTS推理WebUI’；

2）返回服务器终端发现又新启了一个端口，同样进行网络穿透后本地访问，进入如下界面；

如上图所示，在红框1处上传一段相同音色的短音频，在红框2处填写该音频对应的文本，在红框3处选择上传文本的语种，在红框4处填写需要生成语音的文本数据，点击最下方的‘合成语音’即可在右下角生成对应红框4內文本的训练音色的音频数据；

自此，就完成了GPT-SoVITS模型从训练到推理的全部流程～