文本转语音已经很成熟了，例如剪映的朗读功能。

但这些工具提供的语音风格都是固定，你只能从中选择，如果你想要使用某个喜爱人物的声音，怎么办？

这就需要使用语音克隆，模拟你的目标语音风格。

GPT-SoVITS（github.com/RVC-Boss/GPT-SoVITS） 是一个开源的语音克隆项目，克隆效果很好，已经有 18.8k 的 star。

主要特点：

极其方便，只需提供5秒的语音样本，就可以模仿这个样本的语音风格朗读指定的文本。

可以训练微调，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。

操作简单，提供了 Web 界面。

下面以 Windows 系统为例，了解一下安装和使用过程。

安装

GPT-SoVITS 为 Windows 系统提供了安装包，下载地址：

https://huggingface.co/lj1995/GPT-SoVITS-windows-package/resolve/main/GPT-SoVITS-beta.7z?download=true

是 7z 压缩格式，需要你先安装好 7zip。

下载之后解压，里面有一个启动文件 go-webui.bat，双击即可启动 GPT-SoVITS 的 Web 操作界面。

使用

上图是启动之后的界面效果，点击导航标签中的 “1-GPT-SoVITS-TTS” 进行文本转语音操作。

进入后，这个页面有一个二级导航标签，点击其中的 “1C-推理” 标签。

进入后，选中 “是否开启TTS推理WebUI” 这一选项。

选中后，耐心等待几秒钟，会自动打开一个新的页面。

这个页面就是真正进行声音克隆和文本转语音的操作界面。

操作非常简单，一共就4步。

第一步，把你准备好的要克隆的语音样本上传上来。

需要注意的是，语音样本一定要在 3~10 秒，不能超过，否则会报错。还有，样本中的人声一定要清晰，不要模糊嘈杂，否则会大大影响克隆效果

第二步，把你要克隆的语音所对应的文本粘贴过来，这样 GPT-SoVITS 就可以校准语音样本的内容了。

第三步，输入你要朗读的文本。

第四步，开始语音合成。

上图是我上传和填写的示例，超级简单，而且合成的效果很好，我认为输出的声音效果能达到样本的 **80%**。

性能

在我的示例中，输出的结果声音为9秒。

运行时间大概为7秒。

运行过程中我看了性能占用情况。

对 CPU 和内存的占用较小，主要是使用显卡，运行期间会有两三秒的峰值，把显卡占满。

GPT-SoVITS 克隆效果不错，安装操作都很简单，运行速度快。

对语音克隆、文本转语音有兴趣的话，推荐试试。

#语音克隆，#AI 人工智能，#GPT-SoVITS，#TTS，#gpt890

信息来源 gpt890.com/article/32