安装教程
1. 效果演示
生成视频演示：
效果演示：
2. 使用视频
一键包启动后演示界面：
3. 图文教程
3.1 整合包下载
3.2 解压缩启动
解压:
打开文件来到根目录，双击go-webui.bat打开:
如果没有.bat的后缀可以在查看里打开文件扩展名，后面也会遇到很多需要后缀的:
这就是正常打开了，稍加 等待就会弹出网页，如果没有弹出网页可以复制命令行的链接，在浏览器里打开即可。
这就是网页端，注意程序运行的时候不要关闭命令行。
3.3 数据集准备
数据集不在多，1分钟的优秀数据集都可以训练出非常好的模型。关键是数据集的质量要好，要口齿清晰，无噪音最好。如果有伴奏或者背景音乐就一定要先用UVR做人声分离。
3.3.1 使用UVR进行人声分离
点击使用UVR5-WebUI稍等就会打开UVR的网页，如果没有打开，可以在浏览器里打 开:http://0.0.0.0:9873，或者命令行里回车，然后复制最后一个链接，在浏览器里打开即可。
这就是UVR的网页端
推荐选择文件夹路径，把声音文件所在的文件夹路径复制，输入进去。
然后进行下面3步：
- 用HP2_all_vocals模型提取人声
- 对提取出的人声使用onnx_dereverb进行增强
- 最后对增强后的声音进行DeEcho-Aggressive去混响
输出的文件默认在GPT-SoVITS-beta\output\uvr5_opt这个文件夹下。处理完的音频（vocal）的是人声，(instrument)是伴奏，其他都可以删除。结束后记得到WebUI关闭UVR5节省显存。
3.3.2 切割音频
这一步非常重要，字幕和音频的匹配要准确，直接影响最后的模型效果
首先输入原音频的文件夹路径（不要有中文），如果刚刚经 过了UVR5处理那么就是uvr5_opt这个文件夹。然后建议可以调整的参数有min_length、min_interval和max_sil_kept单位都是毫秒。
- min_length 切割的最小时长，根据显存大小调整，显存越小调越小，一般保持默认即可。
- min_interval 切割的最小时间间隔，根据音频的平均间隔调整，如果音频太密集可以适当调低，一般保持默认即可。
- max_sil_kept 切割连贯性，不同音频不同调整，一般保持默认即可。
- 其他参数保持默认即可。
点击“开启语音切割”，马上就切割好了。默认输出路径在output/slicer_opt:
- 如果遇到切割后的音频文件太长，为了避免后一步爆显存，要么就丢弃这个音频，要么就用其他软件再手动切割一下。
- 如果语音切割后还是一个文件，那是因为音频太密集了，可以调低min_interval解决这个问题
3.3.3 降噪（可以跳过）
如果你觉得你的音频足够清晰可以跳过这步，降噪对音质的破坏挺大的，谨慎使用。
输入刚才切割完音频的文件夹，默认是output/slicer_opt文件夹。然后点击”开启语音降噪“。默认输出路径在output/denoise_opt。
3.3.4 字幕对齐
如果你上一步切分了或者降噪了，那么已经自动帮你填充好路径了。如果你是通过其他软件做的音频质量优化，把处理完的音频的路径复制进来。
- 如果原始素材是汉语和粤语，推荐选择达摩ASR模型，效果也最好。
- 如果是英语，日语，推荐选择fast whisper模型，fast whisper可以标注99种语言，是目前最好的英语和日语识别，模型尺寸选large V3，语种选auto自动。
然后点"开启离线批量ASR"就好了，默认输出是output/asr_opt这个路径。ASR需要一些时间，看着控制台有没有报错就好了
上一步ASR完会自动填写list路径，你只需要点击开启"打标webui"
打开后就是SubFix，从左往右从上到下依次意思是：跳转页码、保存修改、合并音频、删除音频、上一页、下一页、分割音频、保存文件、反向选择。每一页修改完都要点一下保存修改（Submit Text），如果没保存就翻页那么会重置文本，在完成退出前要点保存文件（Save File），做任何其他操作前最好先点一下保存修改（Submit Text）。删除音频先要点击要删除的音频右边的yes，再点删除音频（Delete Audio）。删除完后文件夹中的音频不会删除但标注已经删除了，不会加入训练集的。
3.4 训练
点击一下第二个界面，进入训练界面。
先设置实验名，这个就是最 后训练好的模型名。建议用英文。上一步对齐完成后，会自动填写路径，直接点最下面的“一键三连”就可以了。
3.5 微调
进入微调界面。
- batch_size：sovits训练建议batch_size设置为显存的一半以下，高了会爆显存。batch_size并不是越高越快，太高了反而会爆显存或者使用共享显存，反而会慢。
- dpo训练：dpo大幅提升了模型的效果，几乎不会吞字和复读，能够推理的字数也翻了几倍，但同时训练时显存占用多了2倍多，训练速度慢了4倍，12g以下显卡无法训练。数据集质量要求也高了很多。如果数据集有杂音，有混响，音质差，不校对标注，那么会有负面效果。
- 轮数：理论上轮数越高越接近原始音频数据，但是如果原始音频有杂音，电流音等问题，轮数太高反而会有负面效果。GPT模型轮数一般情况下不高于20，建议设置10。
先点开启SoVITS训练，训练完后再点开启GPT训练
3.6 文生音频
进入推理界面。
先点一下刷新模型，下拉选择模型推理，e代表轮数，s代表步数。不是轮数越高越好。选择好模型点开启TTS推理，自动弹出推理界面。如果没有弹出，复制控制台最下面的链接在浏览器里打开。
最上面可以切换模型，选择刚才训练出来的模型即可。然后上传一段参考音频，建议是数据集中的切割音频。最好5秒，并输入字幕。
模型会学习语速和语气，请认真选择。
其余参数的解释：
- 语种：选中文就好，目前可以中英混合
- 切分：切分建议无脑选凑四句一切，低于四句的不会切。如果凑四句一切报错的话就是显存太小了可以按句号切。
- top_p,top_k和temperature，保持默认就行了。
在要合成的文本输入框里输入想要合成的文案，然后点击“合成语音”就可以啦。
3.7 使用别人的模型
将GPT模型（ckpt后缀）放入GPT_weights_v2文件夹，SoVITS模型（pth后缀）放入SoVITS_weights_v2文件夹。双击go-webui.bat打开网页，再进入3.6文生音频，刷新下模型就能选择模型推理了。
4.常见问题
Q: 控制台为什么没有往下继续执行？
有的时候会卡住，多回车几次就好了