完成GPT-SoVITS声音克隆需五步：一、准备5–10分钟单人纯净语音并规范转为16kHz单声道WAV，配对标注transcriptions.txt；二、正确放置预训练模型并配置config_spk01.json；三、依次运行S1_train.py和S2_train.py完成两阶段训练；四、导出sovits_weights.pth与gpt_weights.pth至models/spk01/；五、启动webui.py并在网页端选择音色合成。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您已获取GPT-SoVITS本地部署环境，但尚未完成个性化声音训练，则可能是由于语音数据准备不规范、配置参数未对齐或训练流程中断所致。以下是完成GPT-SoVITS声音克隆训练与本地部署的具体操作路径：
一、准备高质量语音数据集
训练效果高度依赖原始音频质量与标注一致性。语音需为单人纯净录音，无背景音乐、混响或明显噪声；文本标注必须严格匹配发音内容，并统一编码格式。
1、使用手机或专业麦克风录制5–10分钟清晰语音，语速自然、语调丰富，覆盖元音、辅音、连读及停顿场景。
2、将所有音频转为16kHz采样率、16bit位深、单声道WAV格式，命令示例：ffmpeg -i input.mp3 -ar 16000 -ac 1 -sample_fmt s16 output.wav。
3、新建dataset文件夹，内含wavs/（存放全部WAV文件）和transcriptions.txt（每行格式为：文件名.wav|说话人ID|对应中文文本，如001.wav|spk01|今天天气真好）。
二、配置训练参数与目录结构
正确组织模型路径与配置文件是训练启动的前提。GPT-SoVITS要求预训练权重、配置模板与数据路径在代码层级中严格对应，任一错位将导致加载失败。
1、确认项目根目录下存在GPT_SoVITS/pretrained_models/，并按官方结构放置：chinese-hubert-base/、chinese-roberta-wwm-ext-large/、s1bert25hz-2kh-longer-epoch=68e-step=50232.ckpt、s2G488k.pth等核心模型文件。
2、复制configs/config.json为configs/config_spk01.json，修改其中"train": {"dataset_path": "dataset"}、"data": {"spk_name": "spk01"}、"sample_rate": 16000三项为实际值。
3、确保dataset/transcriptions.txt中所有WAV文件名与wavs/内真实文件完全一致（包括大小写与扩展名）。
三、执行分阶段预处理与训练
GPT-SoVITS采用两阶段训练机制：第一阶段提取语义与声学特征（S1），第二阶段联合优化音色建模（S2）。跳过任一阶段将导致最终合成失真或无声输出。
1、激活conda环境并进入项目根目录：conda activate gpt_sovits && cd GPT-SoVITS。
2、运行S1预处理与训练：python S1_train.py --config_dir configs/config_spk01.json，等待日志显示INFO: Epoch X completed且loss_s1稳定收敛至0.8以下。
3、运行S2训练脚本：python S2_train.py --config_dir configs/config_spk01.json，观察loss_s2逐步下降，通常训练20–50个epoch后可获得可用模型。
四、生成推理模型并部署WebUI
训练产出的检查点需经导出转换为推理可用格式，再挂载至Web服务接口，才能实现文本到语音的实时合成。
1、执行模型导出：python export_model.py --s1_ckpt_path logs/s1/xxx.pth --s2_ckpt_path logs/s2/xxx.pth --output_dir outputs/spk01/，生成sovits_weights.pth与gpt_weights.pth。
2、将outputs/spk01/整个文件夹复制至models/目录下，重命名为spk01/。
3、启动WebUI服务：python webui.py --model_dir models/ --port 9872，浏览器访问http://localhost:9872，在“推理”页选择spk01音色并输入文本即可合成。
五、验证与常见问题排查
合成结果异常往往源于数据链路断裂而非模型本身缺陷。需逐层回溯输入数据、特征提取日志与声码器输出信号，定位具体失效环节。
1、检查logs/s1/与logs/s2/目录下是否生成train.log及tensorboard事件文件，缺失说明预处理未执行。
2、若WebUI中提示KeyError: 'spk01'，请确认models/spk01/内存在sovits_weights.pth且文件权限为可读。
3、合成语音空洞或断续时，优先验证WAV音频是否被静音段截断——用Audacity打开任意训练音频，查看波形是否全程有能量，静音段超过0.5秒将显著劣化S1语义对齐。
