一分钟克隆声音最强开源工具GPT-sovits教程

AI教程 2025-11-12

为了避免在之后的使用中出现各种意料之外的问题，请务必对照下面的 Checklist 检查本机环境。

<input type="checkbox" checked="true">关闭全局梯子 / 绕过局域网
<input type="checkbox" checked="true">使用推荐的浏览器（✅Chrome / Edge / Firefox）
<input type="checkbox" checked="true">关闭浏览器自带的网页翻译功能
<input type="checkbox" checked="true">关闭所有第三方杀毒软件 / 安全卫士等
<input type="checkbox" checked="true">如果内存吃紧，将系统虚拟内存设置为自动
<input type="checkbox" checked="true">建议关闭共享显存，教程：关闭共享显存
<input type="checkbox" checked="true">win11关闭GPU加速，貌似有占用不满的bug
部分浏览器（尤其是 Edge）会出现 WebUI 打开后无法正常工作的现象。如果遇到卡死/无法点击交互等现象，请尝试更换为上述推荐的其他浏览器。
如果你是个新手那么建议你先看一下快速开始基础知识
请认真看完教程和报错合集再有礼貌的去问别人问题，不要给自己和别人带来不必要的麻烦
文档更新频率：
· 每天github如果有更新，那么就会简单写一下新功能如何使用
· 等整合包更新后会详细讲解如何使用，整合包不可能每天有东西就立马更新的，肯定要等优化完成后才更新，github上虽然更新频率快但可能有bug且功能不是那么完善
视频教程（V1版，已过时）
https://www.bilibili.com/video/BV1GJ4m1e7x2/?share_source=copy_web&vd_source=5a0d299189f8683f89e35d28497cfb71
版本说明：
GPT-SoVITS-V1于2024年1月发布，V2于2024年8月7日发布，V3于2025年2月12日发布，V4于2025年4月19日发布，V2Pro/Pro Plus是V2的升级版，于2025年6月发布。V1版的后缀为beta，V2版的后缀为V2，V3版的后缀为V3。四位数字表示更新日期，如：GPT-SoVITS-beta0706fix1是在7月6号更新的V1版整合包，GPT-SoVITS-V2-0807是在8月7号更新的V2版整合包。V1将不再更新，最终版本是0706fix1，V2也不再更新，最终版本是0821。V3也不再更新，最终版本是0228。V4也（应该）不再更新，最终版本是0422。

如果你是用过V3的老用户可以直接去看 V3升级指南
V2ProPlus的特点
<input type="checkbox" checked="true">s2增加SV音色emb引导
<input type="checkbox" checked="true">输入模型的音色emb提升到1024通道；
<input type="checkbox" checked="true">v2ProPlus增加s2的decoder宽度。
1.下载并更新
完整整合包（选择最新的下载）

百度网盘：
https://pan.baidu.com/s/1OE5qL0KreO-ASHwm6Zl9gA?pwd=mqpi
提取码：mqpi

原版直链下载（国内满速）
此处为语雀内容卡片，点击链接查看：https://www.yuque.com/flowercry/hxf0ds

直链（不限速）：
https://www.modelscope.cn/models/FlowerCry/gpt-sovits-7z-pacakges/resolve/master/GPT-SoVITS-v2pro-20250604.7z
https://www.modelscope.cn/models/FlowerCry/gpt-sovits-7z-pacakges/resolve/master/GPT-SoVITS-v2pro-20250604-nvidia50.7z
1.1：下载
1.1.1：百度网盘（要会员）
有百度网盘会员的可以选择百度网盘,修改日期就是更新时间。打开V2文件夹，勾选压缩包，点击右上角的下载后自动跳转到百度网盘客户端。如果没有客户端的先下载一个客户端。
先点浏览选择下载地址，然后点击下载。

1.1.2：直链下载
https://www.yuque.com/flowercry/hxf0ds
来到这个页面，找到对应的版本，复制链接到浏览器内打开

2：解压并打开
2.1:解压
请使用7-Zip解压！其他解压工具可能会吞文件，比如360解压、Windows自带的解压、2345好压等很多解压工具都会吞文件！
官网英文原版下载：https://www.7-zip.org/download.html
汉化版直链下载：https://423down.lanzouo.com/i9Sn922czite

解压方法：
右键压缩包选择解压到GPT-SoVITS-v3-xxxx\，如果是win11需要先点击显示更多选项

2.2:打开
打开文件来到根目录，双击go-webui.bat打开，不要以管理员身份运行！

如果没有.bat的后缀可以在查看里打开文件扩展名，后面也会遇到很多需要后缀的

这就是正常打开了，稍加等待就会弹出网页。如果没有弹出网页可以复制http://0.0.0.0:9874到浏览器打开

这就是网页端

在开始使用前先提醒一下大家：打开的bat不可以关闭！这个黑色的bat框就是控制台，所有的日志都会在这上面呈现，所有的信息以控制台为准。如果要向别人提问请写清楚：哪一步骤+网页端（方便看你填没填对）+控制台截图！所有的报错都在控制台上！你不给别人看控制台谁也不知道你是什么问题！Error后面的一般是报错
3：数据集处理
请认真准备数据集！以免后面出现各种报错，和炼出不理想的模型！好的数据集是炼出好的模型的基础！
3.1：使用UVR5处理原音频（如果原音频足够干净可以跳过这步，比如游戏中提取的干声）

3.1.1：方法1：用自带的UVR5处理音频

点击开启UVR5-WebUI稍加等待就会自动弹出图二的网页，如果没有弹出复制http://0.0.0.0:9873到浏览器打开

首先输入音频文件夹路径或者直接选择文件（2选1）
文件夹上面那个地址框就是文件夹路径

如果要复制文件路径就是这样↓

先用model_bs_roformer_ep_317_sdr_12.9755模型（已经是目前最好的模型）处理一遍（提取人声），然后将输出的干声音频再用onnx_dereverb最后用DeEcho-Aggressive（去混响），输出格式选wav。输出的文件默认在GPT-SoVITS-beta\output\uvr5_opt这个文件夹下，建议不要改输出路径，到时候找不到文件谁也帮不了你。处理完的音频（vocal）的是人声，(instrument)是伴奏，(_vocal_main_vocal)的没混响的，（others）的是混响。（vocal）(_vocal_main_vocal)才是要用的文件，其他都可以删除。结束后记得到WebUI关闭UVR5节省显存。
←详细教程

如果没有成功输出，报错了（现在版本应该不会报错了）。
那么推荐使用下面一种方法——UVR5客户端。（✅可能兼容性有问题，但是效果是和UVR5对齐的，不要瞎黑内置工具效果有问题）

报错原因
报错原因一般是音频太短了，导致音频缓冲区爆了。也有一些是因为显卡性能不够的。

3.1.2：方法2：使用UVR5客户端（没有bug，模型更多）
官方下载地址：https://github.com/TRvlvr/model_repo/releases（beta版）
https://github.com/Anjok07/ultimatevocalremovergui/releases（正式版）
网盘下载（包含Windows和macOS）：https://www.123pan.com/s/UHp9-9fi8H.html
macOS和Liunx的使用方法
由于苹果的严格管控应用程序的安全性，您可能需要按照以下步骤打开UVR：
首先，使用终端运行以下命令，允许应用程序从所有来源运行：
sudo spctl --master-disable
其次，运行以下命令来绕过验证：
sudo xattr -rd com.apple.quarantine /Applications/Ultimate\ Vocal\ Remover.app
Linux：嗯？都用Linux了，用Git拉代码自己部署不是难事吧？欸嘿~
为了最好的分离效果教程中使用的是beta版，网盘中的windows安装包是beta版
目前MAC使用beta版要自己拉代码装环境，或者等安装包制作完成
网盘中的安装包是正式版的
警告：安装路径必须为全英文！！！不推荐修改默认安装路径，否则会有权限问题！！！

详细教程：https://www.bilibili.com/read/cv27499700/ 作者@bilibili@bfloat16
打开UVR5首先要下载模型，建议下载我打包好的，里面有几乎所有模型，包含vip模型。下载解压后先把Ultimate Vocal Remover根目录的models文件夹删了，再把解压的文件夹直接拖进Ultimate Vocal Remover根目录替换models文件夹

模型包：https://www.123pan.com/s/UHp9-Qfi8H.html（下载精简版就好，里面有要用到的模型了。完整版是UVR5的所有模型，可能以后会用到）语雀直接下载↓

models.7z

如果觉得模型包太大，也可以自己下载（需要科学上网，且速度很慢，一次只能下一个）。点击左下角的小扳手，打开设置界面，点击第三个下载模型。需要下载的模型有：MDX-Net：model_bs_roformer_ep_317_sdr_12.9755、VR Architecture：UVR-De-Echo-Normal、UVR-De-Echo-Aggressive、UVR-De-Echo-Dereverb、UVR-DeNoise。

如果是A卡或I卡用户需要在第二个设置界面点上Use OpenCL

下载完模型后开始处理音频，select input选择输入文件，select output选择输出文件夹，输出格式选WAV，记得点上GPU Conversion（使用GPU），首先选择MDX-Net类型使用Bs-Roformer-Viperx-1297（目前最好的提取人声的模型，又快又好）提取人声。处理完的音频（vocals）的是人声。然后把人声再输入去混响（下面三选一）：VR Architecture：UVR-De-Echo-Normal（轻度混响）、UVR-De-Echo-Aggressive（重度混响）、UVR-De-Echo-Dereverb（变态混响），最后用UVR-DeNoise降噪一下。这套流程弄完会比自带的UVR5在人声提取方面好一点。

3.1.3：方法3：MDX23C（MAC用户暂时用）
因为目前MAC没有UVR5beta版的安装包，要么拉代码自己装，要么只能用5.6正式版
正式版目前最好的模型是MDX23C，流程和4.1.1.1.3.1一样的只是把Bs-Roformer-Viperx-1297换成MDX23C

3.2：切割音频
在切割音频前建议把所有音频拖进音频软件（如au、剪映）调整音量，最大音量调整至-9dB到-6dB，过高的删除
首先输入原音频的文件夹路径（不要有中文），如果刚刚经过了UVR5处理那么就是uvr5_opt这个文件夹。然后建议可以调整的参数有min_length、min_interval和max_sil_kept单位都是ms。min_length根据显存大小调整，显存越小调越小。min_interval根据音频的平均间隔调整，如果音频太密集可以适当调低。max_sil_kept会影响句子的连贯性，不同音频不同调整，不会调的话保持默认。其他参数不建议调整。点击开启语音切割，马上就切割好了。默认输出路径在output/slicer_opt。当然也可以使用其他切分工具切分。

切分完后文件在output\slicer_opt。打开切分文件夹，排序方式选大小，将时长超过显存数秒的音频手动切分至显存数秒以下。比如显卡是4090 显存是24g，那么就要将超过24秒的音频手动切分至24s以下，音频时长太长的会爆显存。如果语音切割后还是一个文件，那是因为音频太密集了。可以调低min_interval，从300调到100基本能解决这问题。实在不行用au手动切分。