GPT-SoVITS 只需要少量语音微调训练（推荐1分钟，最少5秒钟），就可以快速克隆人物的音色；或者不训练直接推理，由参考音频的情感、音色、语速控制合成音频的情感、音色、语速；还可以跨语种生成，即参考音频（训练集）和推理文本的语种为不同语种。
目前 GPT-SoVITS 已经发布了 V2版本：对低音质参考音频合成出来音质更好；底膜训练集增加到5k小时，zero shot性能更好音色更像，所需数据集更少；增加韩粤两种语言，中日英韩粤5个语种均可跨语种合成；V2中还加入了多音字优化。
Github

夸克网盘
迅雷网盘
123云盘

配置要求
1 win10或win11系统,老显卡驱动要更新到最新版本
2 显卡1060以上
3 CPU四核心以上,如果太差声音卡顿延迟高

功能：
零样本文本到语音（TTS）： 输入 5 秒的声音样本，即刻体验文本到语音转换。
少样本 TTS： 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。
跨语言支持： 支持与训练数据集不同语言的推理，目前支持英语、日语和中文。
WebUI 工具： 集成工具包括声音伴奏分离、自动训练集分割、中文自动语音识别(ASR)和文本标注，协助初学者创建训练数据集和 GPT/SoVITS 模型。