RVC-Boss/GPT-SoVITS

解決的問題

GPT-SoVITS 設計用於以極少的資料創建高度逼真的語音合成（TTS）與語音轉換系統。它解決了需要龐大資料集才能克隆特定人聲的問題，讓使用者僅需數秒的音訊樣本，即可生成聽起來像目標講者語音的語音。

工作原理

此專案結合 GPT 與 SoVITS 架構來處理語音克隆。提供兩種主要運作模式：

• 零樣本 TTS：僅使用 5 秒的語音樣本作為參考，無需進一步訓練即可生成語音。
• 少樣本 TTS：使用約 1 分鐘的訓練資料微調模型，大幅提升語音相似度與真實感。

支援跨語言推論，即使訓練資料使用不同語言，也能生成英語、日語、韓語、粵語與中文的語音。

適用對象

此工具適合希望在無需專業錄音室錄製或數小時訓練資料的情況下，為內容創作或應用開發克隆語音的創作者、開發者與 AI 愛好者。

主要亮點

• 極低的資料需求：僅需 5 秒（零樣本）或 1 分鐘（少樣本）的音訊即可克隆語音。
• 跨語言支援：支援多種語言，包括英語、日語、韓語、粵語與中文。
• 支援 WebUI：提供完整的 WebUI，用於管理整個流程，包含音訊切片、降噪、ASR（自動語音辨識）用於轉錄，以及模型訓練。
• 支援 Docker：提供 Docker 映像，便於在不同硬體環境中進行安裝與部署。
• 高速推論：經過優化，生成速度極快，特定版本（如 v2 ProPlus）在現代 GPU 上表現出極低的即時因子（RTF）。