作者：瑞豪Serein
链接：https://zhuanlan.zhihu.com/p/28888889247
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

准备：GPT-SoVITS WebUI，还要准备一段30S时长以上的音频。

打开这个webui，点击按钮进行背景音乐处理。

然后来到下面这个界面，把要处理的音频拖入上传，模型按照上方的中文描述选择其中一个模型。

其他的保持默认就行，导出文件格式WAV和FlAC都可以。

点击转换，出现下面的就表示成功了。

转换的音频，可以在output，uvr5_opt文件夹里找到

vocal是纯人声，另一个是背景音乐。

把分离好的人声存放好，放在自己的文件夹里面。

回到开始的界面，关闭这个

然后是语音切分工具，输入路径，包括文件名和后缀名，用斜杠跟前面的路径分隔开。

输出文件也用斜杠分开，后面输入文件名，用来新建文件。

然后开启语音切割，等切割结束。

output\slicer_opt这个文件夹里能找切割后的文件。

找到中文批量离线ASR工具

输入文件夹路径，就是刚刚分离的音频文件夹路径，复制过来

ASR 模型，原音频什么语言就选什么语言。

然后点击批量ASR

等待成功，能在output/asr_opt的文件夹下找到。

把list文件路径复制过来，打上斜杠把文件名和后缀都加上。

如果字没问题，点击保存，关闭页面。

找到下面这个，给模型取个名字。

*训练集音频文件目录，就是切割后的音频文件目录

开启一键三连，等待结束。

D:\下载目录\AI克隆声音\GPT-SoVITS-v2-240821\logs\renyifan

上面这个就是一键三连生成的文件，放置的路径。

然后找到我微调训练。

依次点击训练。

训练完成

找到1c-推理

点击后来到新界面，先刷新一下路径。

两个模型都选数字最大的

然后上传之前切分的音频，输入对应文本。

然后就可以合成自己想要的了

太长的段落可能效果不好，最好切分一下