AI声音克隆 | 最全最简教程（权威版）

原创 电子灵魂华尔兹 电子灵魂华尔兹 2024-03-29 07:23 广东 听全文

一直没有写过关于声音克隆的文章，所以这次补上，毕竟这个用的还真是有点多，也为后面更多的个性化配音做好准备。

TTS 的英文全名是 Text To Speech,中文译名是“文本转语音”。它是一种将文本内容转换为语音的技术，通过TTS技术，计算机可以将文字信息转换成人类可听懂的语音输出，实现语音合成的功能

目前市场上的AI声音

我们最多用的还是普通的TTS，即把文字通过软件输出指定人的声音，这块微软做的不错，之前自己写过一个免费的TTS小软件，API用的就是微软的，如有需要，请看自己开发 一个免费的文本转语音小工具

如果你觉得功能少，可以使用国内的魔音工坊，但是要收费的哈

但这些都不能指定声音转换，所以这里使用声音克隆，来将指定人声训练成模型，然后文字转音频。

接下来说重点声音克隆

开源项目地址：https://github.com/fishaudio/Bert-VITS2 https://github.com/RVC-Boss/GPT-SoVITS 

GPT-SoVITS

GPT-SoVITS是由RVC变声器的创始人（GitHub昵称为RVC-Boss）与AI音色转换技术专家Rcell合作开发的一个开源项目。它是一个跨语言音色克隆工具，专注于声音的转换和克隆。

Bert-VITS2

Bert-VITS2是由社区开发者fishaudio发起的一个开源项目，它基于VITS（Variational Inference for Text-to-Speech）模型进行开发，旨在提供高质量的文本到语音（TTS）服务。

GPT-SoVITS在训练时间上具有明显的优势，因为它支持Few-shot学习，能够在短时间内（如一分钟的语音数据）训练出具有相似音色的模型。Bert-VITS2可能需要更长的训练时间(1-4个小时)来达到高质量的语音合成效果，尤其是在数据集较大或模型较为复杂的情况下

简单来说就是如果你需要更稳定和标准的声音，辛苦一次永久使用就选择Bert-VITS；

如果你想快速实现声音克隆，跨语言就选择 GPT-SoVITS；

这里以GPT-SoVITS为例，写一篇详细教程，因为他简单有效还节省时间，至于Bert-VITS，我感觉即使写了，他几个小时的训练时间加上大量的素材收集，许多人也没时间去尝试，效果也不一定能好很多，这里力推GPT-SoVITS！让我们开始吧！

开始前准备，注册 OpenBayes 平台账号

新用户注册 OpenBayes即可获得3小时免费RTX4090使用时长，用下方注册链接你我都可以多加一个小时免费时长哈

https:///console/signup?r=huawang_zL1B

使用原先绑定的数据集（原神可莉），尝试训练一下

1 GPT-SoVITS一键克隆环境:

选择公共资源下的公众教程，选择 GPT-SoVITS 音频合成在线 Demo

2 GPT-SoVITS一键克隆环境

点击右上角克隆，之后选择审核并执行，继续执行

等待几分钟， 等待数据同步成功

3 完成后 打开工作空间

4 打开 run.ipynb，一键运行所有单元格

5 等几秒钟运行完毕，打开输出的 public URL

6 打开音频选择数据类型

7 点击开始选练

8 等待几分钟训练时间

可以后台看到训练15epoch后训练成功，前端显示模型开始预测

9 打开原来的Jupyter 工作空间，选择API地址

API地址需要实名认证，如果没认证认证后再回来，就可以看到地址了

10 打开API地址，开始玩耍

选择训练好的GPT模型和SoVITS模型，输入你想要推理的文字，比如：“欢迎你成功训练成功了”，点击开始推理

（这里上面选择错了，一般训练好的是最后一个，看你开始定义的模型名字就好哈）

这样你在原本绑定的数据集上就成功训练的一个声音模型

效果如下

克隆元神可莉声音,电子灵魂华尔兹,2秒

开始选择自己的数据集

先关闭自己之前启动的容器

1 准备30s-1min的音频素材

这里以李雪健老师为例

任何克隆声音项目都遵守;数据集的质量决定生成的质量，不要有任何杂音，越干净、越纯粹越好

通过录音软件（声音录制软件），录取相关音频，放到剪映处理，把人声音的能开的都开了，处理结果就不放了，免得麻烦哈，这里我处理大概1分36s的录音

2 上传数据集

3 修改配置并启动

点击模型训练 ，进入刚才跑的项目

点击编辑配置并启动

配置自己的数据并执行

一直点点点，到启动成功，打开工作空间，重复以上的训练步骤即可

4 训练填写新绑定的数据集目录

5 重复之前开头的步骤，最后我们看下效果

说中文效果

克隆李雪健-中文,电子灵魂华尔兹,8秒

说英文效果

克隆李雪健English-version,电子灵魂华尔兹,12秒

最后，这个教程看着多了点，其实可能我只是尽可能把每个步骤的图贴完整，尽量满足各种不懂编程的人都够顺利克隆声音成功

这个项目还是蛮牛皮，重点在于省时省力，简单有效，当之为当前性价比速度之神，也期待你能有更多更好玩的用处

如果是英文，建议去llElevenlabs

。