快速部署GPT-SoVITS语音合成
资源准备
进入 资源池>轻量资源，点击 添加节点 按钮，将已开通的云服务器添加到百舸平台中用于快速部署GPT-SoVITS。若轻量资源中已添加云服务器节点，可跳过此步骤。
安装GPT-SoVITS
在 轻量服务>模版市场 中选择GPT-SoVITS模版，点击 创建服务 按钮，使用轻量资源快速部署GPT-SoVITS。
前置准备
准备原始音频：原始音频建议遵从如下标准。
- 单人真人音频；
- 间隔清晰且均匀；
- 语速正常；
- 咬字发音清楚；
- 背景音和混响（可简单地理解为回声）弱；
- 时长在3-5min左右。
数据集处理
在百舸平台轻量服务>我的服务中找到对应的GPT-SoVITS实例，点击 登录 查看WebUI的访问地址和账号密码，登录WebUI。 本节所展示的内容都在WebUI界面【0-前置数据集获取工具】功能下。
人声伴奏分离&去混响去延迟
可用于处理原始音频，生成更干净的人声。点击【开启UVR5-WebUI】，当【UVR5进程输出信息】出现“UVR5已开启”后，说明UVR5 UI界面已经启动了，端口信息可在终端通过echo $GRADIO_UVR_PORT查看，访问http://宿主机公网IP:GRADIO_UVR_PORT/ 即可。
UVR5 如下所示。
- 人声和伴奏分离：【Model】选择HP2_all_vocals，然后输入原始音频文件所在目录的路径，以及输出路径，选择自己想要的输出格式，点击【Convert】。【Output information】显示xxx.wav.reformatted.wav->Success时，说明人声伴奏分离完成。分离得到的音频存储在路径/root/GPT-SoVITS/output/uvr5_opt下，其中instrument_xxx.wav是分离得到的伴奏音频，vocal_xxx.wav则是人声音频，删除伴奏音频。
2.对人声去混响去延迟：【Model】选择onnx_dereverb_By_FoxJoy，输入文件路径选择刚刚分离得到的人声音频文件所在目录的路径，点击【Convert】。【Output information】显示xxx.wav.reformatted.wav->Success时，说明去混响去延迟完成。
3.在输出目录/root/GPT-SoVITS/output/uvr5_opt下，可以看到处理结果如下所示。只保留xxx.wav_main_vocal.wav音频文件。
根据音频混响程度自行决定是否需要进一步去混响，不需要可跳过。如果仍然需要，在UI界面选择【Model】为VR-DeEchoAggressive，再一次去混响去延迟。等待处理结束后，在输出目录/root/GPT-SoVITS/output/uvr5_opt下，可以看到处理结果如下所示。只保留vocal_vocal_xxx.wav音频文件。
这里的模型选择可以根据音频混响程度由低到高依次选择：VR-DeEchoNormal、VR-DeEchoAggressive、VR-DeEchoDeReverb。为了便于展示，我们将最终处理得到的文件重新命名为rzdf.wav。
语音切分
语音切分界面的min_length、min_interval、max_sil_kept的计时单位都是ms。这里只更改了音频输入和输出路径，其余保持默认。然后点击【开启语音切割】，【语音切割进程输出信息】显示“切割结束”后，说明语音切分完成。
可以在指定输出目录/root/GPT-SoVITS/output/slicer_opt下看到语音切分结果。
语音降噪
对语音切分后的音频进行降噪处理，设置好音频输入、输出路径，点击【开启语音降噪】。【语音降噪进程输出信息】显示“语音降噪任务完成, 查看终端进行下一步”后，表明降噪完成。
可以在指定输出目录/root/GPT-SoVITS/output/denoise_opt下看到语音切分结果。经过测试发现，目前GPT-SoVITS的语音降噪功能对于音质损坏较大，不建议使用。
中文批量离线ASR
ASR 代表“Automatic Speech Recognition”，即自动语音识别。
我们使用语音降噪得到的切分后的音频作为ASR输入，并设置ASR输出路径。【ASR模型】按照音频的语种选择达摩ASR(中文)；其他语种可选择Faster Whisper，该ASR模型对日语和英文的识别准确率较高，但速度较慢。
在设置的ASR输出目录下可看到结果。
语音文本校对标注
输入【.list标注文件路径】，然后点击【打开打标WebUI】，即可启动。
打标WebUI的端口可通过echo $GRADIO_SUBFIX_PORT查看，然后访问http://宿主机公网IP:GRADIO_SUBFIX_PORT/。 对于文本的校对，直接在Text n框中修改，然后点击【Submit Text】。
Text-To-Speech相关
本节所展示的内容都在WebUI界面的【1-GPT-SoVITS-TTS】功能下。
训练集格式化
输入【实验/模型名】，以及【文本标注文件】和【训练集音频文件目录】，点击【开启一键三连】，完成文本获取、SSL提取和语义token提取。
【一键三连进程输出信息】提示，表明训练集格式化完成。
处理结果在/root/GPT-SoVITS/logs目录下。
对于中文音频，如果缺少以2、3、4、5、6开头的文件/目录，请根据运行日志/root/apps/logs/webui.log仔细排查错误。对于日/英文，缺少3开头的目录是正常的。
模型微调
SoVITS训练
batch_size可根据实际情况自行调整，其他可保持默认，然后点击【开启SoVITS训练】。【SoVITS训练进程输出信息】显示“SoVITS训练完成”后，说明该步骤完成。
GPT训练
类似地，batch_size可根据实际情况自行调整。对于【是否开启dpo训练选项】，启用后可以改善模型吞字复读的问题，但对数据集质量要求、标注质量和显存需求更高，用户可根据情况自行决定。其他可保持默认，点击【开启GPT训练】。【GPT训练进程输出信息】显示“GPT训练完成”后，表明该步骤完成。
SoVITS训练和GPT训练过程中，保存的权重分别在/root/GPT-SoVITS目录的SoVITS_weights_v2/和GPT_weights_v2/下.
推理
点击【刷新模型路径】，获取模型微调得到的权重路径，然后选择GPT模型和SoVITS模型，点击【开启TTS推理WebUI】。
推理界面的端口信息可在终端通过echo $GRADIO_INFER_PORT查看，访问 http://宿主机公网IP:GRADIO_INFER_PORT/即可。
上传参考音频及其文本，模型将学习该参考音频的语速和语气，尽量保证参考音频和训练音频来自同一人。然后输入【需要合成的文本】，并确定切分方式，过长的切分方式会占用较大的显存。最后，点击【合成音频】。
