讓機器學會某一個人的說話方式，這幾年的門檻一直在往下掉。GPT-SoVITS 把這條線壓到兩個數字：五秒與一分鐘。五秒是人聲樣本的下限，用它就能在零樣本模式下直接合成；一分鐘是訓練資料的下限，用它微調之後，音色的相似度會明顯上升。專案在 GitHub 上開源，倉庫標題寫得很直白——一分鐘的語音資料也足以訓練出一個能用的 TTS 模型。

兩條路：不訓練，與只訓練一點

官方把能力拆成兩條路徑，各自對應一種需求。

零樣本 TTS 是最省事的那條。丟進五秒的人聲樣本，立刻就能把文字轉成語音。適合先看看效果、或者只是偶爾用一次的人。不必等訓練，也不必準備資料集。

少樣本 TTS 是效果更好的那條。一分鐘的訓練資料換來更高的相似度與更自然的聽感。一分鐘這個量級的意義在於它拿掉了什麼：訓練自己的語音模型，從需要錄好幾小時音的專業工作，變成隨手錄一段就能試的事。

它會說哪些語言

官方列出的語種是英語、日語、韓語、粵語與中文。更有意思的是跨語言這一條：推論時使用的語言，不必和訓練集一樣。也就是說，用一種語言錄的樣本，理論上可以拿去說另一種語言，不必為每個語種另外準備一套資料。

WebUI 裡自帶資料準備工具

真正做過語音複製的人會知道，麻煩的通常不是模型，而是前期的資料處理：錄音裡混著背景音樂怎麼辦、長音訊怎麼切、切完誰來寫轉寫文字。GPT-SoVITS 把這些環節一起做進了 WebUI——內建人聲伴奏分離、自動切分訓練集、多語言語音辨識標註與文字標註。

所以實際的操作順序是：填音訊路徑、切片、視需要降噪、跑語音辨識、校對轉寫文字，然後切到微調頁訓練。語音辨識這一塊整合了 Fun-ASR、SenseVoice 與 FunASR 幾套工具，新手不必自己去拼這條流水線。

版本不少，怎麼挑

倉庫目前提供 V1、V2、V2Pro、V3 與 V4 等多個版本，啟動時用參數切換，Windows 整合包也配了對應的啟動腳本。幾個關鍵差異值得記住：V2 把預訓練模型規模從兩千小時擴到五千小時，並新增韓語與粵語；V3 在不微調的情況下，音色相似度就有明顯提升，同時 GPT 模組更穩定、情緒更豐富；V4 修掉了 V3 因為非整數倍上採樣帶來的金屬雜音，並原生輸出 48kHz 音訊，而 V3 是 24kHz。

裝起來麻煩嗎

官方給了幾條路。最省事的是 Windows 整合包：下載解壓後雙擊啟動腳本，WebUI 就打開了。想在命令列裡管理環境的話，Windows 有 PowerShell 安裝腳本，Linux 與 macOS 有 shell 腳本，兩者都能指定裝置類型與模型下載來源。再往下是手動安裝與 Docker 兩條路，前者要自己把依賴與 FFmpeg 裝好，後者官方提醒輕量映像不含語音辨識與人聲分離模型，需要另外下載。

環境方面，官方列出的測試組合涵蓋 Python 3.9 到 3.11、PyTorch 2.2 到 2.7，裝置既有走獨立顯卡的桌機組合，也有純 CPU 的輕量組合。有一點要提前知道：官方說明在部分平台上，用 GPU 訓練出來的模型品質明顯不如其他裝置，因此專案在這些平台上暫時改用 CPU 訓練，速度會慢不少。

適合誰

如果你的需求是「訓練一個屬於自己、或某個指定音色的語音模型，而且希望資料留在本機」，GPT-SoVITS 的定位正好對得上：資料量要求低、工具鏈完整、授權是 MIT，用起來限制不多。

但它需要一張夠用的顯卡，或者接受 CPU 推論的慢速度；在部分平台上，訓練階段的耗時會明顯更長，這點要有心理準備。另外，聲音複製的邊界不在技術而在授權：拿別人的聲音、尤其是公眾人物的聲音做內容，可能涉及人格權與聲音權，動手前先把權利來源確認清楚。

用一分鐘的資料訓練一個 TTS 模型，幾年前是難以想像的事。工具越強，使用者越需要自己守住那條線——能用與該用，始終是兩件事。