仅需5元，手把手教你训练纳西妲GPT-SoVITS模型

资源下载及音频试听：

仅需5元，手把手教你训练纳西妲GPT-SoVITS模型 - 风屿岛 (biliwind.com)

购买服务器

首先，我们需要买一台显卡云服务器

极度推荐使用雨云，优惠码：wp-admin

账户注册成功后，前往：购买地址

选择宿迁显卡云

若只是短期使用，建议选择最高配置，如果是长期使用，建议按需选择（主要关注显存）

系统选择Windows Server 2022 数据中心版

此系统已默认安装NVIDIA显卡驱动，CUDA已启用，版本如下：

NVIDIA-SMI 537.70, Driver Version: 537.70, CUDA Version: 12.2

之后点击右下角的试用即可5元获得一天的使用时长

如果GPU资源不足，则可使用更低显存的版本

部署GPT-SoVITS

连接服务器

服务器创建完成后，点击管理进入管理面板

找到首页的NAT端口映射，复制默认生成的地址

之后在你自己的电脑上搜索rdp，找到远程桌面连接并打开

将复制的内容填入“计算机”输入框中，点击“显示选项”

将此处的用户名填入

点击连接后会弹出输入密码

复制并填入“远程密码”

遇到下图提示直接点击是即可

下载

进入桌面后，打开浏览器

之后打开我转存在123Pan的一键包

如果你希望获得最新版的，可以用魔法去抱脸上下载：预打包文件 (huggingface.co)

之后还需要下载纳西妲的语音数据集，这里有大佬打好标的：AI-hobbyist

之后在服务器上下一个解压软件（请勿使用360、好压等流氓软件），可选的有：

• Bandizip：Windows 版本的 Bandizip · 业内领先的压缩文件解决方案 (bandisoft.com)
• 7-Zip：Download (7-zip.org)

下载时进度卡在100% 0KB/s：

打开edge的设置-隐私、搜索和服务

关闭Microsoft Defender Smartscreen即可（它会在下载后扫描文件导致卡在100% 0KB/s）

解压

解压GPT-SoVITS一键包

如果你还有其他事要做（如准备数据集）则可以勾选低优先级模式

等待GPT-SoVITS解压完成即可

训练纳西妲声音模型

生成nahida.list

在GPT-SoVITS目录中新建一个raw_audio文件夹用于放置数据集

将先前下载的数据集解压进里面，并且建议将其放置在单独的文件夹中（即新建一个叫nahida的文件夹，再将*.wav和*.lab解压进去）

最终的目录结构看起来是这样的：

GPT-SoVITS\raw_audio\nahida\*.wav

GPT-SoVITS\raw_audio\nahida\*.lab

说明

.wav后缀为角色语音
.lab后缀为打标好的文件

之后打开GPT-SoVITS目录下的go-webui.bat打开web界面

进入webui后直接修改下图所指的位置

将其替换为你数据集（*.wav）所在的文件夹，如果你按照本教程操作，那么改为：

C:\Users\Administrator\Desktop\GPT-SoVITS-beta0128\raw_audio\nahida

点击批量ASR后等待即可，当ASR进程输出信息中显示完成时进行下一步

若你还是不确定是否完成，可以前往output\asr_opt目录，打开nahida.list文件

上图即为完成后的效果

准备训练

之后打开上方的第二个tab，修改红框中的内容

如果你按照本教程操作，下图三个框中的内容应该为

1. nahida
2. C:\Users\Administrator\Desktop\GPT-SoVITS-beta0128\output\asr_opt\nahida.list
3. C:\Users\Administrator\Desktop\GPT-SoVITS-beta0128\raw_audio\nahida

之后按顺序进行以下8步操作

例：点击1的按钮后等待，直到2中提示任务完成，之后继续点击3观察4，如此往复

SoVITS与GPT训练

之后打开这个tab的第二个tab

batch_size根据显存大小和模型数据量调整若使用8G显存的套餐，则所有保持默认即可

你需要分别进行SoVITS训练和GPT训练，都训练完成后才能进行推理

TTS音频推理

TTS推理WebUI进程输出信息中提示进程已开启后需要稍等1分钟左右加载模型

模型加载完成后会自动打开TTS推理webui，以下是主要功能区的介绍

1. 放置参考音频的地方（会影响最终推理出音频的语气与情绪）
2. 参考音频中说了什么内容
3. 你要把什么文本转换成语音
4. 把3中的内容转换为语音
5. 点击4后输出的音频

参考音频可以在数据集中随便找一些略长的音频