文本转语音已经很成熟了，例如剪映的朗读功能。
但这些工具提供的语音风格都是固定，你只能从中选择，如果你想要使用某个喜爱人物的声音，怎么办？
这就需要使用语音克隆，模拟你的目标语音风格。
GPT-SoVITS（github.com/RVC-Boss/GPT-SoVITS） 是一个开源的语音克隆项目，克隆效果很好，已经有 18.8k 的 star。
主要特点：
极其方便，只需提供5秒的语音样本，就可以模仿这个样本的语音风格朗读指定的文本。
可以训练微调，仅需 1 分钟的训练数据即可微调模型，提升声音相似度和真实感。
操作简单，提供了 Web 界面。
下面以 Windows 系统为例，了解一下安装和使用过程。
安装
GPT-SoVITS 为 Windows 系统提供了安装包，下载地址：
https://huggingface.co/lj1995/GPT-SoVITS-windows-package/resolve/main/GPT-SoVITS-beta.7z?download=true
是 7z 压缩格式，需要你先安装好 7zip。
下载之后解压，里面有一个启动文件 go-webui.bat，双击即可启动 GPT-SoVITS 的 Web 操作界面。
使用
上图是启动之后的界面效果，点击导航标签中的 “1-GPT-SoVITS-TTS” 进行文本转语音操作。
进入后，这个页面有一个二级导航标签，点击其中的 “1C-推理” 标签。
进入后，选中 “是否开启TTS推理WebUI” 这一选项。
选中后，耐心等待几秒钟，会自动打开一个新的页面。
这个页面就是真正进行声音克隆和文本转语音的操作界面。
操作非常简单，一共就4步。
第一步，把你准备好的要克隆的语音样本上传上来。
需要注意的是，语音样本一定要在 3~10 秒，不能超过，否则会报错。还有，样本中的人声一定要清晰，不要模糊嘈杂，否则会大大影响克隆效果
第二步，把你要克隆的语音所对应的文本粘贴过来，这样 GPT-SoVITS 就可以校准语音样本的内容了。
第三步，输入你要朗读的文本。
第四步，开始语音合成。
上图是我上传和填写的示例，超级简单，而且合成的效果很好，我认为输出的声音效果能达到样本的 **80%**。
性能
在我的示例中，输出的结果声音为9秒。
运行时间大概为7秒。
运行过程中我看了性能占用情况。
对 CPU 和内存的占用较小，主要是使用显卡，运行期间会有两三秒的峰值，把显卡占满。
GPT-SoVITS 克隆效果不错，安装操作都很简单，运行速度快。
对语音克隆、文本转语音有兴趣的话，推荐试试。
#语音克隆，#AI 人工智能，#GPT-SoVITS，#TTS，#gpt890
信息来源 gpt890.com/article/32