GPT-SoVITS：少样本声音克隆与语音合成全流程实战

这篇教程带你完成什么

从零部署开源项目 GPT-SoVITS，用一段 5-10 秒的参考音频克隆任意人声，合成指定文本的语音文件。最终你有一个能跑的 Web 界面，以及一个能通过 API 接入业务的 TTS 服务。

前置条件

• Python 3.9 或 3.10，低于 3.8 跑不起来
• conda 或 venv，用来隔离依赖环境
• NVIDIA GPU 且显存 ≥8GB，纯 CPU 能跑但慢到怀疑人生
• ffmpeg，音频处理依赖它，缺失会在启动时报错
• 能访问 GitHub 和 HuggingFace，模型权重从这两个地方下载
• 一段≥5秒、单人说话、无背景音乐的参考音频（MP3/WAV 均可）

安装部署

1. 克隆项目并创建环境

这一步要做什么：把仓库拉下来，建一个独立的 Python 环境，安装依赖。

git clone https://github.com/RVC-Boss/GPT-SoVITS.git
cd GPT-SoVITS
conda create -n gpt-sovits python=3.9 -y
conda activate gpt-sovits
pip install -r requirements.txt

2. 下载预训练模型

GPT-SoVITS 的少样本能力依赖两个预训练权重：GPT 模型和 SoVITS 模型。项目提供了自动下载脚本，它会把这些权重放到 pretrained_models 目录下。这步要有梯子，否则会很痛苦。

python tools/download.py

3. 启动 Web 界面

这是标准的 Gradio 应用，端口默认 9874，启动后浏览器访问即可。

python webui.py --port 9874

打开 http://localhost:9874，看到界面就成功了。现在你可以做第一个真正有用的 Demo。

第一个 Demo：零样本声音克隆

这个 Demo 不需要训练，用预训练模型 + 一段参考音频直接克隆音色。从上传音频到出声，大约 30 秒。

第 1 步：进入推理页签，选择零样本模式

WebUI 默认停在"推理"页签，页面上方有模式下拉框，选 0-零样本推理。没有这个选项说明预训练权重没下载完整，回头重新跑 tools/download.py。

第 2 步：上传参考音频并填文本

左侧填入参考音频和它的原文逐字稿。注意"参考音频的原文"必须和音频内容一字不差，这是模型对齐音素和音色的关键。右侧的目标文本是你要合成的最终内容。

上传后界面会自动提取音频特征，观察参考音频波形是否正常显示。常见的失败是这个波形刷不出来——多半是音频路径含中文或空格，建议把素材放到纯英文路径下。

第