GPT-SoVITS
项目核心内容总结：
功能
GPT-SoVITS 是一个支持语音合成（TTS）、语音克隆、音色转换及音频处理的工具，可生成高质量人声、实现多音色转换，并集成 UVR5 音频分离功能。
使用方法
- WebUI 操作：通过图形界面完成模型训练、语音合成、音色转换及音频处理（如 UVR5 音频分离）。
- 命令行工具：支持音频切分、ASR 识别、模型推理等任务，例如使用
audio_slicer.py切分音频，fasterwhisper_asr.py进行非中文 ASR 识别。 - Docker 部署：提供容器化部署方案，简化环境配置。
主要特性
- 多语言支持：涵盖中文、日语、英语，支持粤语训练数据。
- 模型版本：提供多个优化版本（v2Pro、v3、v4 等），v4 支持原生 48k 音频输出，v2Pro 在性能上优于 v2。
- 高音质合成：基于 SoVITS 和 GPT 架构，结合 BigVGAN 等 vocoder 提升音频质量。
- 集成工具：整合 UVR5（音频分离）、audio-slicer（音频切分）、FunASR（ASR 识别）等第三方工具。
- 扩展性：支持自定义训练数据、模型混合及不同规模模型（如轻量级模型开发计划）。
依赖
依赖 PyTorch、FFmpeg、Gradio 等库，部分功能需 NVIDIA GPU 及 CUDA 支持。