给 AI 一段录音让它学会一个人说话，这件事的门槛这两年一直在往下掉。GPT-SoVITS 把这条线压到了两个数字：五秒和一分钟。五秒是人声样本的下限，用它可以在零样本模式下直接合成语音；一分钟是训练数据的下限，用它微调之后音色相似度会明显提升。项目在 GitHub 上开源，仓库标题写得很直白——一分钟语音数据也能训练出一个可用的 TTS 模型。

两种用法：不训练和少训练

官方把能力拆成两条路径，对应两类需求。

零样本 TTS 是最省事的一条：输入五秒的人声样本，立刻就能把文字转成语音。适合先试试效果、或者只是偶尔用一次的场景，不用等训练，也不用准备数据集。

少样本 TTS 是效果更好的那条：用一分钟的训练数据微调模型，换来更高的声音相似度和更自然的听感。一分钟这个量级的意义在于，它把「训练自己的语音模型」从需要几小时录音的专业工作，变成了随手录一段就能试的事情。

说哪种语言

官方列出的支持语种是英语、日语、韩语、粤语和中文。更有意思的是跨语言这一条：推理时使用的语言可以和训练集的语言不一样。也就是说，用一种语言录的样本，理论上可以拿去说另一种语言，不必为每个语种重新准备一套数据。

WebUI 里自带数据准备工具

真正做语音克隆的人会知道，麻烦的往往不是模型本身，而是前期的数据处理：录音里混着背景音乐怎么办、长音频怎么切、切完谁来写转写文本。GPT-SoVITS 把这些环节一起做进了 WebUI——内置人声伴奏分离、自动训练集分割、多语言语音识别标注和文本标注。

所以实际的操作顺序是：填音频路径、切片、按需降噪、跑语音识别、校对转写文本，然后切到微调页训练。语音识别部分集成了 Fun-ASR、SenseVoice 和 FunASR 几套工具，新手不用自己去拼装这条流水线。

版本不少，怎么选

仓库目前提供 V1、V2、V2Pro、V3 和 V4 等多个版本，可以在启动时用参数切换，Windows 集成包也配了对应的启动脚本。几个关键差异值得记住：V2 把预训练模型规模从两千小时扩到五千小时，并新增了韩语和粤语；V3 在不微调的情况下音色相似度就有明显提升，同时 GPT 模块更稳定、情绪更丰富；V4 修复了 V3 因为非整数倍上采样带来的金属杂音，并原生输出 48kHz 音频，而 V3 是 24kHz。

装起来麻烦吗

官方给了几条路。最省事的是 Windows 集成包：下载解压后双击启动脚本，WebUI 就打开了。想在命令行里管理环境的话，Windows 有 PowerShell 安装脚本，Linux 与 macOS 有 shell 脚本，都能指定设备类型和模型下载源。再往下是手动安装与 Docker 两条路，前者需要自己装好依赖和 FFmpeg，后者官方提醒轻量镜像不含语音识别与人声分离模型，需要额外下载。

环境方面，官方列出的测试组合覆盖 Python 3.9 到 3.11、PyTorch 2.2 到 2.7，设备既有走独立显卡的桌面组合，也有纯 CPU 的轻量组合。有一点要提前知道：官方说明在部分平台上用 GPU 训练出来的模型质量明显不如其他设备，因此项目在这些平台上暂时改用 CPU 训练，速度会慢不少。

它适合谁

如果你的需求是「训练一个属于自己或某个指定音色的语音模型，并且希望数据留在本地」，GPT-SoVITS 的定位正好对上：数据量要求低、工具链完整、许可证是 MIT，用起来限制不多。

但它需要一张能用得上的显卡，或者接受 CPU 推理的慢速度；在部分平台上训练环节的耗时会明显更长，这一点要有心理准备。另外，声音克隆这件事的边界不在技术而在授权：用别人的声音，尤其是公众人物的声音做内容，可能涉及人格权与声音权，动手前先把权利来源确认清楚。

一分钟数据训练一个 TTS 模型，放在几年前是难以想象的。工具越强大，越需要使用者自己守住那条线——能用和该用，始终是两件事。