GPT-SoVITS

GPT-SoVITS

Clonagem de voz few-shot de código aberto: treine um modelo TTS de alta similaridade com apenas 1 minuto de fala

Última Atualização 17 de nov. de 2026
GPT-SoVITS captura de tela

介绍

GPT-SoVITS é um projeto open-source de clonagem de voz few-shot e text-to-speech (TTS) com mais de 60.000 estrelas no GitHub, tornando-o uma das soluções de clonagem de voz mais populares na comunidade chinesa. Com apenas cerca de 1 minuto de amostras de voz limpa de um locutor-alvo, você pode fazer fine-tuning de um modelo TTS personalizado altamente semelhante; também há suporte a um modo zero-shot para clonagem rápida a partir de alguns segundos de áudio.

Os principais recursos incluem: síntese de fala multilíngue para chinês, inglês, japonês, coreano e mais; fine-tuning few-shot para replicação de timbre de alta fidelidade; uma WebUI que integra todo o fluxo de treinamento e inferência; e suporte à leitura mista em chinês-inglês com controle de emoção. O projeto é open-source sob a licença MIT, com um pacote all-in-one para Windows e opções de implantação via Docker.

É ideal para criadores, desenvolvedores e operadores de VTuber com GPU local (placa de vídeo NVIDIA), especialmente usuários que precisam de vozes altamente personalizadas, valorizam a privacidade dos dados e preferem não pagar por caractere. Sua naturalidade de clonagem para conteúdo em chinês está entre as melhores entre as soluções open-source, tornando-se uma ferramenta de produtividade indispensável para criadores do Bilibili e criadores de conteúdo de fãs.