企业官网建设流程全解析

GPT-SoVITS数据集制作全流程：UVR5人声分离、音频切片与ASR自动标注实战

【免费下载链接】GPT-SoVITS1 min voice data can also be used to train a good TTS model! (few shot voice cloning)项目地址: https://gitcode.com/GitHub_Trending/gp/GPT-SoVITS

GPT-SoVITS 是一款强大的少样本语音克隆与文本转语音（TTS）工具，仅 1 分钟人声即可微调出高相似度模型。而微调效果好不好，80% 取决于数据集质量。本文将带你走通 GPT-SoVITS 数据集制作全流程：用 UVR5 完成人声分离、用自动切片工具切割音频、再用多语种 ASR 自动标注文字，最后校对生成训练用的 list 标注文件，新手也能一次做对。

一、为什么数据集是成功的关键

GPT-SoVITS 的核心卖点是"少样本"：

• 零样本：5 秒参考音频即可直接合成；
• 少样本微调：1 分钟左右的干净人声，就能大幅提升音色相似度与真实感。

但这 1 分钟数据必须是纯人声、无背景音乐、无杂音、逐句切好且文字标注准确的片段。原始素材通常是带 BGM 的完整歌曲或长语音，直接喂给训练流程只会"学歪"。因此官方在 WebUI 中内置了一整套数据处理管线（见 README.md 的Finetune一节）：

填写音频路径 → 切片 → 去噪（可选）→ ASR 转写 → 文本校对 → 进入下一标签页微调模型

下文就按这条管线逐步拆解。

二、第一步：UVR5 人声分离，先去掉背景音乐

如果你的素材是歌曲或带伴奏的录音，第一步必须把"人声轨"分离出来。

入口：主界面 webui.py 启动后，打开"UVR5 人声伴奏分离"标签页；对应源码为 tools/uvr5/webui.py。

操作要点：

1. 选择模型：uvr5_names列表会扫描 tools/uvr5/uvr5_weights 目录下所有.pth/.ckpt/ onnx 权重，按需选用（如 MDX-Net 分离、Roformer 分离、去混响 Dereverb 等）。若本地没有权重，安装时加--download-uvr5参数可自动下载；
2. 填入待处理音频目录：把原始歌曲/录音放入一个文件夹，在界面上指定该目录；
3. 输出两个结果目录：分离后的人声（vocal）和伴奏（instrumental）会分别保存，我们要用的是人声目录；
4. 等待批量处理完成，逐首试听人声轨，确认没有残留伴奏。

💡经验：若人声带混响（大厅感明显），建议额外跑一次去混响（Dereverb）模型再切片，效果更干净。

三、第二步：音频自动切片，把长音频切成短句

训练需要的是每句 3~10 秒左右的短片段。GPT-SoVITS 提供了基于能量（RMS）的静音检测切片器 tools/slicer2.py，核心逻辑是：扫描音量包络，在"低于阈值的静音段"处下刀切割。

入口：WebUI 中"训练集切割"标签页，或直接运行命令行版本 tools/slice_audio.py。

关键参数及推荐值（来自 slicer2.py 的Slicer默认配置）：

💡经验：切完后抽听几个片段——如果一句常被从中间切断，调大min_interval；如果开头噪音多，调低threshold并适当调小max_sil_kept。

四、第三步（可选）：去噪处理

对于有底噪、电流声的录音，可以在切片后使用内置去噪工具 tools/cmd-denoise.py（模型位于 tools/denoise-model 目录）。录制环境本来就比较干净的话，这一步可跳过。

五、第四步：ASR 自动标注，一键生成文字稿

切片完成后，GPT-SoVITS 内置的多语种语音识别（ASR）会逐段转写出文本，省去逐条手打。

相关源码：

• 中文/粤语：tools/asr/funasr_asr.py，集成 Fun-ASR-Nano（多方言）、SenseVoice（快速转写）与经典 FunASR（Paraformer/UniASR）；
• 英日等语种：tools/asr/fasterwhisper_asr.py，基于 Faster Whisper，语言代码覆盖zh、en、ja、ko、yue等数十种。

操作要点：

1. 选择语种：与切片时的主语言一致（中文选 FunASR 系，英/日选 Whisper 系）；
2. 模型目录：识别模型统一放在 tools/asr/models，首次使用会自动下载，也可提前手动放入实现离线使用；
3. 点击批量识别后，每条切片会对应生成一句文本，并汇总为标注数据（json/list）。

六、第五步：文本校对，生成训练 list 文件

ASR 转写不可能 100% 准确，专有名词、语气词最容易错。官方提供了文本校对界面 tools/subfix_webui.py：加载上一步的标注结果后，左侧播放音频、右侧逐条修改文本，按批次翻页核对，最后导出标注文件。

最终训练数据集采用.list格式，每行一条记录，以|分隔四段信息（格式定义见 README.md 的Dataset Format一节）：

音频路径|说话人|语种|文本 例如： D:\GPT-SoVITS\dataset\0001.wav|myvoice|zh|今天天气真不错。

其中语种代码：zh中文 /en英文 /ja日文 /ko韩文 /yue粤语。

⚠️校对三原则：

1. 删掉没有实际内容的"嗯、啊"碎片片段（在界面中可直接删除）；
2. 文本与音频严格对应，宁缺勿错；
3. 语种字段必须与片段实际语种一致，混合语段落可拆行标注。

七、常见坑与提速技巧

• 切出来的片段带伴奏残留：回到第一步换更强的分离模型（Roformer 系通常更干净），分离模型需与同名.yaml配置一起放入 tools/uvr5/uvr5_weights；
• 识别全是乱码：先确认语种选对了，再检查切片是否过短（<1 秒的片段识别质量差）；
• 批量处理慢：在 config.py 中确认 GPU 设备与半精度（is_half）已正确启用；
• 数据量建议：1 分钟起步、5~10 分钟更稳；同一说话人的素材风格越统一（同样设备、同样语速），微调效果越好。

八、总结：五步产出高质量训练集

完成以上五步，你就拥有了一份可以直接投入微调的 GPT-SoVITS 数据集。接下来回到 WebUI 的训练标签页，选择实验目录、指定.list文件，即可开始训练 GPT（s1）与 SoVITS（s2）模型，用 1 分钟声音复刻出属于你自己的 AI 音色。

【免费下载链接】GPT-SoVITS1 min voice data can also be used to train a good TTS model! (few shot voice cloning)项目地址: https://gitcode.com/GitHub_Trending/gp/GPT-SoVITS