GPT-SoVITS最近一直很火，可以用一分钟的数据集克隆出对应的声音，而且具有较高的音色还原度和准确度，那么今天就来玩一玩尝试一下
由于之前玩炼丹的时候还留下了很多余额，因此我们今天也会用到autodl来进行对应的算力支持，其较低的价格和现成打包好的项目都是一个很大的优势
准备
Autodl账号和对应的余额（不需要很多，熟练了一两块就够训练一次）
可以正常访问网络的环境
想要克隆的示例音频（在这里我使用了小鸟游星野的语音，因为大叔实在太！可！爱！了！不过实际操作中请注意版权问题）
训练
开机
首先我们进入autodl充值余额开机，你可以直接进入这里然后点击创建实例开机：CodeWithGPU | 能复现才是好算法
我这里选择了内蒙区的A5000，比较适中的价格和还可以的算力，非常完美，唯一美中不足的就是有的时候可能会没有卡
然后我们创建实例
由于是按量计费，请在这步后尽量抓紧时间你也可以选择在配环境阶段无卡开机，这样比较便宜
基础操作
我们在开机后首先需要打开Autopanel和JupyterLab，前者用来关联网盘（建议阿里网盘），后者用来操作模型的训练
然后我们打开JupyterLab，正式开始训练
在终端中输入
echo {}> ~/GPT-SoVITS/i18n/locale/en_US.json && source activate GPTSoVits && cd ~/GPT-SoVITS/ && python webui.pyWebUI所有新窗口均使用public URL的gradio地址打开，点击下面那个链接就会弹出网页，不是上面那个9874的链接。
数据集准备
我准备的是直接提取自游戏的干净原声，因此我不需要进行提取人声的操作，详细请看官方wiki：AutoDL教程（只要几块钱，方便） · 语雀
然后我们进行切分，从这步开始我们会用到显卡，因此之前用无卡模式运行的可以正常有卡开机了
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
输入路径是上面的原音频的文件夹路径，如果刚刚经过了UVR5处理那么就是uvr5_opt这个文件夹。输出路径默认是output/slicer_opt。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。当然也可以使用其他切分工具切分。
如果不了解的话默认数据不需要变动即可，记得在路径前加/root/，然后开启语音切割
切分完后文件在GPT-SoVITS\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A5000 显存是24g，那么就要将超过24秒的音频手动切分至24s以下
这步完成后我们进行打标操作，默认路径是/root/GPT-SoVITS/output/slicer_opt(如果是外语如日语等建议手动上传打标或者可以使用这个工具)
终端中出现进度条表明操作正确，稍后结果会输出在.../output/asr_opt中
我因为是日语dataset，需要使用日语模型，因此参考这个在本地进行了打标操作
然后为了提高我们的训练效率和提升训练成果，我们进行对应的校对操作（非必须，但建议）
我们输入上一步拿到的打标list点击下面的打开webui，点击终端里的链接开始进行校对工作
完成保存即可，最后会得到这个list文件
训练
首先进行输出list，看这张图就好
然后点击一键三连，等待显示一键三连进程结束的时候进入下一个选项卡
首先设置batch_size，建议batch_size设置为显存的一半，高了会爆显存。bs并不是越高越快！ GPT模型训练的时候可以把bs再调低点。
接着设置轮数，SoVITS模型轮数可以设置的高一点，反正训练的很快。GPT模型轮数千万不能高于20（一般情况下）建议设置10。然后先点开启SoVITS训练，训练完后再点开启GPT训练，不可以一起训练（除非你有两张卡）！如果中途中断了，直接再点开始训练就好了，会从最近的保存点开始训练。
训练的时候请打开AutoPanel看显卡占用。爆显存了就调低bs。或者存在过长的音频，需要回到2.4步重新制作数据集。
训练完成会显示训练完成，并且控制台显示的轮数停在设置的（总轮数-1）的轮数上。
至于更加详细的数据就需要参考相关论文和文章了
我的设置
训练中...
推理
首先进入第三个选项卡，选择对应的GPT模型和soVITS模型，并开启TTS推理WebUI,然后进入终端中显示的地址打开对应的ui，进行填写即可
上传一段参考音频，建议是数据集中的音频。最好5秒。参考音频很重要！会学习语速和语气，请认真选择。参考音频的文本是参考音频说什么就填什么，必须要填。语种也要对应
接着就是输入要合成的文本了，注意语种要对应。目前可以中英混合，语种选择中文，日英混合，语种选择日文。切分建议无脑选50字一切，低于50字的不会切。如果50字一切报错的话就是显存太小了可以按句号切。如果不切，显存越大能合成的越多，实测4090大约1000字，但已经胡言乱语了，所以哪怕你是4090也建议切分生成。合成的过长很容易胡言乱语。如果出现吞字，重复，参考音频混入的情况，这是正常现象。不是模型炼差了，不用为模型担心。改善的方法有使用较低轮数的GPT模型、合成文本再短点、换参考音频。官方也在努力修复这个问题。
折腾了一天，其实星野这个数据集由于她的音色非常独特还是非常难练的，明天再试试练一个其他的角色吧。哦对，明天还会被unity暴打捏（笑