2025最新GPT-SoVITS模型训练教学【炼丹师会员专属】

什么是TTS

TTS（Text-To-Speech）这是一种文字转语音的语音合成。类似的还有SVC（歌声转换）、SVS（歌声合成）等。目前GPT-SoVITS模型只有TTS功能，也就是不能唱歌。

GPT-SoVITS模型-V1实现了：

• 由参考音频的情感、音色、语速控制合成音频的情感、音色、语速
• 可以少量语音微调训练，也可不训练直接推理
• 可以跨语种生成，即参考音频（训练集）和推理文本的语种为不同语种

GPT-SoVITS模型-V2新增特点：

• 对低音质参考音频合成出来音质更好
• 底模训练集增加到5k小时，zero shot性能更好音色更像，所需数据集更少
• 增加韩粤两种语言，中日英韩粤5个语种均可跨语种合成
• 更好的文本前端：持续迭代更新。V2中英文加入多音字优化。

GPT-SoVITS模型-V3新增特点：

• 训练集增加至7k小时 (MOS分音质过滤、标点停顿校验)
• s2结构变更为：shortcut Conditional Flow Matching Diffusion Transformers (shortcut-CFM-DiT)。由于s2占整体延时比例太低，s2变复杂对于整体耗时影响不大。【说人话就是s2变复杂了但训练轮数变少了，整体训练时长不变】s2原理的变更（基于参考音频扩散补全）导致音色相似度大幅提升。由于没用端到端合成，使用了开源的24k的BigVGANv2参数从mel谱得到波形。
• s1结构不变，更新了一版参数