文案库 · 抖音

大家想要的语音模型训练教程来了

Katasa · 2025-02-16 · 赞 2,759 · 收藏 1,658 · 评论 151 · 读取于 2026-10-27

看原帖 ↗

要点（每条带原文引文）

  • 本教程演示如何使用本地显卡资源训练GPT-SoVITS语音模型，所有技术与资源均为公开文件。 — ✓ “教大家如何使用本地显卡资源” (0:06)
  • 推荐使用B站UP主“画而不哭”开源的语音模型整合包进行训练。 — ✓ “来自B站画而不哭大佬开源” (0:31)
  • 训练素材要求音频清晰无噪音，总时长建议在300秒左右。 — ✓ “要求是音频清晰无噪音” (1:14)
  • 音频素材可通过网络搜索或游戏内录制获取，需切割为等长片段。 — ✓ “音频文件可以去网上搜索” (1:08)
  • 显存小于12G时，音频分割长度建议不超过10秒；16G以下建议不超过15秒。 — ✓ “如果你是12G以下的显存”
  • 使用工具自带的语音切割与降噪功能处理音频，参数可保持默认。 — ✓ “其他参数全面默认即可”
  • 利用达摩ASR（中文）进行批量离线文字识别，并可选择人工二次审查打标。 — ✓ “达摩ASR(中文)” (2:14)
  • 在TTS界面输入模型名称后，依次执行获取操作以完成基础训练。 — ✓ “不要做多余的动作”
  • 微调训练时需调整显卡显存大小，建议设置为显存容量的一半。 — ✓ “仅需调整显卡的一半小” (3:13)
  • VITS训练完成后，设置相同显存大小开启GPT训练。 — ✓ “直接点击开启VITS” (3:37)
  • DPO选项可提升模型质量但增加显存开销和训练时间，显存不足者不建议开启。 — ✓ “这一选项将提升模型的质量”
  • 推理阶段选择已命名的模型，参考音频用于拟合生成语句的音色。 — ✓ “都选择为你方才命名的模型名称” (4:29)
  • 将目标汉字文本填入对话框即可合成语音，其余不懂的选项可保持默认。

要点由 LinkDigest 的模型写出，引文逐字核对过：✓ 在原文里找到了，✗ 没找到。

画面文字（前 10 行）

  • 0:07 教大家如何使用本地显卡资源
  • 0:14 都是公开文件
  • 0:22 这是一个时长比较长的教学视频
  • 0:29 训练本地大模型需要提前下载资源
  • 0:59 (E:) > GPT-SoVITS-v2-240821 > liuying archive firefly 3.wav chapter3 2 firefly 103.wav chapter3 3 firefly 128.wav
  • 1:07 熊猫办公 https://www.tukuppt.com/高清音质音效/全新热点内容 下载 2025全新素材音效 - 正版音效素材-免费下载 流萤语音素材的图片 bing.com/images 纯享版流萤语音合集(无背景音乐),语音素材。欢迎补充。献... 崩坏星穹铁道流萤高清立绘壁纸图片大全 流萤最新壁纸分... 崩铁流萤原画插画立绘P站二创4K超清壁纸 ... 流萤全套 我将,点 查看所有图像 > 哔哩哔哩 https://www.bilibili.com/video/BV1Nb421n7kL 流萤无底噪语音录制 可做ai语音训练素材 AND少许评点 - 哔 ... 2024年6月27日 · 流萤无底噪语音录制 可做ai语音训练素材 AND少许评点共计2条视频，包括：互动语音 有点发困、战斗语音 不发困等，UP主更多精彩视频，请关注UP账号。 作者: 少年烛天-时间法力 查看次数 193 流萤语音素材 的视频 bing.com/videos
  • 1:14 要求是音频清晰无噪音
  • 1:22 GPT-SoVITS-v2-240821 名称 修改日期 sovits_weights_v2 TEMP tools .dockerignore .gitignore api.py api_v2.py batch_inference.py colab_webui.ipynb config.py dockerbuild.sh docker-compose.yaml Dockerfile ffmpeg.exe ffprobe.exe go-webui.bat go-webui.ps1 GPT_SoVITS_Inference.ipynb gpt-sovits_kaggle.ipynb install.sh LICENSE liuying.list README.md requirements.txt webui.py weight.json
  • 1:29 localhost:7874 0.配置数据获取工具 1.GPT SoVITS TTS 2.GPT SoVITS 变声 DaUVR人声伴奏分离&去混响去延迟工具 UVR进程输出信息 开启UVR-WebUI 0y.语音切分工具 音频自动切分输入路径,可文件可文件夹 E:\GPT-SoVITS-v2-240821\liuying 切分后的子音频的输出目录 output\slice_opt threshold:音量小于这个值视作静音的阈值切割点 34 min_length:每段最小多长,如果是一段太长一音和后面咬字连起来归到正这个值 4000 min_interval:最短间隔问题 300 hop_size:怎么算音量曲线,越小越准越大计算越快(不是越大效果越好) 10 max_sil_len:切完后综合最多留多长 500 开启语音切割 max_归一化后最大值多少 0.9 alpha_mix:按多少比例归一化后合进来 0.25 切制时用的进样数 4 语音切制过程输出信息 0ob.语音降噪工具 降噪音频文件输入文件夹 E:\GPT-SoVITS-v2-240821\liuying 降噪结果输出文
  • 1:37 localhost:7860 / 0.部署/模型获取工具 / 1.GPT-SoVITS-TTS / 2.GPT-SoVITS-变声 / 3.AVRS人声音效分离&去混响&回声工具 / 开启UVRS-WebUI / 0x语音切分工具 / 音频自动切分输入路径,可文件可文件夹 / E:\GPT-SoVITS-v2-240821\liuying / 切分后的子音频的输出目录 / output\slice_opt / threshold:音量小于这个值视作静音的阈值点 / -34 / min_length:每段最小多长,如果一段太短一算和后面接在一起肯定别扭就立正这个值 / 4000 / min_interval:最短间隔问题 / 300 / hop_size:怎么算音量曲线,越小越准确大分辨率越高(不是越大越好太大反而不好) / 10 / max_sil_liest:切完后综合最多留多长 / 500 / 开启语音切割 / max:归一化后最大值多少 / 0.9 / alpha_mix:混多少比例归一化后音频进来 / 0.25 / 切分步用份进样数 / 4 / 语音切制过程输出信息 / 0xb

逐字稿

非常感谢大家的关注,上期视频结束后,看大家对语音模型的训练非常感兴趣。 这期教程教大家如何使用本地显卡资源来训练语音模型。 在开始前提前声明,本视频所涉及的所有技术与资源都是公开文件,若因观看者的不当使用所造成的一系列事件,均由其本人承担。 其次,这是一个时长比较长的教学视频,大家可以先收藏后再慢慢操作,觉得流程太慢的可以适当倍速。 训练本地大模型需要提前下载资源文件,来自B站画而不哭大佬开源的语音模型整合包,其相关资源网址我会放在简介。 最后,由于上期视频大家说想要听一下不同角色的语音,所以这期视频将由多个角色来为大家讲解。 现在请大家集中精神,正片马上开始。 大家好呀,我是网生堂的第七十七…

这里只显示前 300 字。 登录后免费看完整逐字稿（已读过的链接不扣积分）

读了什么

  • 图上文字 124 行
  • 逐字稿 47 段 (299 / 299 s)
  • 画面文字 26 行，带出现时间
  • 抽帧间隔不超过 15 秒
  • 没读到：comments not read

只有计数和一句样例；全文留在原帖。

LinkDigest

读你自己的链接

贴一条小红书、抖音、B站、微博、公众号、YouTube 或 TikTok 链接，几十秒后拿到文案、逐字稿、图上文字和要点。

digest console
resolvefetchreaddigest

Try an example below, or paste your own link.

try

相关内容

本页由 LinkDigest 读取公开内容后生成的要点与引文；原文版权归作者，引用请注明原文链接。如需下架，请通过 /app/feedback 告知。 原文链接 · support@linkdigest.dev