Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

如何复刻我的声音

Answer

以下是复刻声音的相关步骤和信息：

  1. 前置数据获取处理
    • 选择音频，开启切割。
    • 有噪音时，进行降噪处理。
    • 降噪处理完成，开启离线 ASR。
  2. GPT-Sowits-TTS
    • 训练集格式化：开启一键三连，耐心等待即可。
    • 微调训练：开启 SoVITS 训练和 GPT 训练。
    • 推理：开始推理 - 刷新模型 - 选择微调后的模型 - yoyo。
  3. 声音复刻

GPT-SoVITS 的特点：

  1. 零样本 TTS：输入 5 秒的声音样本即可体验即时的文本到语音转换。
  2. 少量样本训练：只需 1 分钟的训练数据即可微调模型，提高声音相似度和真实感。模仿出来的声音会更加接近原声，听起来更自然。
  3. 跨语言支持：支持与训练数据集不同语言的推理，目前支持英语、日语和中文。
  4. 易于使用的界面：集成了声音伴奏分离、自动训练集分割、中文语音识别和文本标签等工具，帮助初学者更容易地创建训练数据集和 GPT/SoVITS 模型。
  5. 适用于不同操作系统：项目可以在不同的操作系统上安装和运行，包括 Windows。
  6. 预训练模型：项目提供了一些已经训练好的模型，你可以直接下载使用。

GitHub：https://github.com/RVC-Boss/GPT-SoVITS 视频教程：https://bilibili.com/video/BV12g4y1m7Uw/

使用技巧：

  1. 更换音色：一开始会感觉很简单，就只是字生成语音，能选的也就是不同的音色。音色因为基于网络红人训练，因此生成的语音音色会和对应的网络红人非常相像。只要选择和自己需要非常接近的音色即可。如果没有接近的音色，也可以自己训练一个，参考 WaytoAGI 的知识库：GPT-SoVITS 实现声音克隆
Content generated by AI large model, please carefully verify (powered by aily)

References

GPT-SoVITS-实现 AIyoyo 声音克隆

1.[heading4]微调训练[content]1.开启SoVITS训练，&开启GPT训练[heading4]推理[content]1.开始推理-刷新模型-选择微调后的模型-yoyo[heading4]成功[content]出现新的URL，说明你自己的声音微调完毕，然后可以进行啦[heading3]四、声音复刻[heading4]开启声音复刻之旅吧[content]1.实现跨多语种语言的声音，不是梦[heading4]实践的样本[content]AIyoyo普通话-满江红[满江红普通话。wav](https://drive.weixin.qq.com/s?k=AJMA1Qc4AAwbkbzYu0AQ8AbQYrAGo)AIyoyo粤语版-满江红[满江红粤语。wav](https://drive.weixin.qq.com/s?k=AJMA1Qc4AAwsRaRfHrAQ8AbQYrAGo)[heading2]五、关于我[content]大家好～我是yoyo🐱🐈坐标北京，铲屎官一枚🫡AIGC的小白，持续进阶成长，致力于打造一个自己的智能体☕️以上期待能够给到各位一点启发感谢家属带我在“[通往AGI之路](https://waytoagi.feishu.cn/wiki/QPe5w5g7UisbEkkow8XcDmOpn8e)”打开新世界，接触有趣的事情，结识有趣的人

GPT-SoVITS实现声音克隆

GPT-SoVITS：只需1分钟语音即可训练一个自己的TTS模型。GPT-SoVITS是一个声音克隆和文本到语音转换的开源Python RAG框架。5秒数据就能模仿你，1分钟的声音数据就能训练出一个高质量的TTS模型，完美克隆你的声音！根据演示来看完美适配中文，应该是目前中文支持比较好的模型。界面也易用。主要特点：1、零样本TTS：输入5秒的声音样本即可体验即时的文本到语音转换。2、少量样本训练：只需1分钟的训练数据即可微调模型，提高声音相似度和真实感。模仿出来的声音会更加接近原声，听起来更自然。跨语言支持：支持与训练数据集不同语言的推理，目前支持英语、日语和中文。3、易于使用的界面：集成了声音伴奏分离、自动训练集分割、中文语音识别和文本标签等工具，帮助初学者更容易地创建训练数据集和GPT/SoVITS模型。4、适用于不同操作系统：项目可以在不同的操作系统上安装和运行，包括Windows。5、预训练模型：项目提供了一些已经训练好的模型，你可以直接下载使用。GitHub：[https://github.com/RVC-Boss/GPT-SoVITS](https://t.co/BpHX4SlsO3)[…](https://t.co/BpHX4SlsO3)视频教程：[https://bilibili.com/video/BV12g4y1m7Uw/](https://t.co/Uo7WtSSUGO)[…](https://t.co/Uo7WtSSUGO)[[twi]@小互(@_twi(1).mp4](https://bytedance.feishu.cn/space/api/box/stream/download/all/RymsbKdweody4Cxwtsqc7Yuenxd?allow_redirect=1)使用：

Stuart：免费 AI 真人语音入门： GPT-SoVITS + Bert-VITS2

可变参数就是AIGC最有趣的地方，语音生成也一样：可变参数就是使用技巧。[heading3]更换音色🎵[content]一开始会感觉很简单，就只是字生成语音，能选的也就是不同的音色。音色因为基于网络红人训练，因此生成的语音音色会和对应的网络红人非常相像。只要选择和自己需要非常接近的音色即可。如果没有接近的音色，也可以自己训练一个，参考WaytoAGI的知识库：[GPT-SoVITS实现声音克隆](https://waytoagi.feishu.cn/wiki/SVyUwotn7itV1wkawZCc7FEEnGg?from=from_copylink)但是真正准备开始用就会发现，只改音色不够用了。😓我们真正说话，或者配音的时候，通常是边思考边说话，因此经常带着一些口头禅，类似“嗯”，“啊”，甚至更离谱的“m3？”😂说话过程中有些重音，停顿和一句手写语句也不全相同。

Others are asking
现在AI领域做语音模型比较好的有哪几家？音色复刻做的比较好的有哪些
在 AI 领域，做语音模型较好的有阿里，其 CosyVoice 语音合成模型有以下特点： 精细控制：能生成符合性别、年龄和个性特征的声音。 自然模拟：可模拟笑声、咳嗽和呼吸等人类语音自然特征。 情感和风格：能够为声音添加情感和风格，更具表现力。 GitHub 链接：https://github.com/FunAudioLLM/CosyVoice 相关链接：https://x.com/imxiaohu/status/1818942399705710700 。但关于音色复刻做的比较好的，上述信息中未明确提及。
2025-01-19
声音复刻
声音复刻相关知识如下： GPTSoVITS 实现声音克隆： 只需 1 分钟语音即可训练一个自己的 TTS 模型，是一个声音克隆和文本到语音转换的开源 Python RAG 框架。 5 秒数据就能模仿，1 分钟声音数据可训练出高质量 TTS 模型，完美克隆声音，适配中文，界面易用。 主要特点包括零样本 TTS、少量样本训练、跨语言支持、易用界面、适用于不同操作系统、提供预训练模型。 GitHub 链接： 视频教程： 前置数据获取处理： 选择音频，开启切割。 有噪音时，进行降噪处理。 降噪处理完成，开启离线 ASR。 GPTSowitsTTS： 训练集格式化：开启一键三连，耐心等待。 微调训练：开启 SoVITS 训练和 GPT 训练。 推理：开始推理 刷新模型 选择微调后的模型 yoyo。 成功后出现新的 URL 表明声音微调完毕。 声音复刻之旅：可实现跨多语种语言的声音。 实践样本：AIyoyo 普通话 满江红 TTS 数据整理： 开源 TTS 数据汇总： 大量语音数据的汇总：https://github.com/RevoSpeechTech/speechdatasetscollection WenetSpeech4TTS：12,800 小时的配对音频 文本数据， 米哈游 星穹铁道：包含中文和日语英文韩语，请注意版权问题！https://github.com/AIHobbyist/StarRail_Datasets 米哈游 原神：包含中文和日语英文韩语，请注意版权问题！ 赛博朋克 2077：请注意版权问题！ baker 标贝女声：12 小时， Aishell3：85 小时多说话人数据， DiDiSpeech：500 人 60 小时，但目前已经 404 无法再获取， OpenSLR：提供各种语言的合成、识别等语料，https://www.openslr.org/resources.php zhvoice：3200 说话人 900 小时，用于声音复刻，合成，识别等， LibriTTS：基于 Librispeech 筛选而来，更适合用于做 TTS，采样率 24k，大约 585 小时 2,456 人，其中的 trainclean100 包含 53.8 小时/247 个发言人， LJ Speech：大约 24 小时，
2025-01-10
声音复刻
声音复刻主要通过 GPTSoVITS 来实现，以下是相关步骤和信息： 1. 前置数据获取处理： 选择音频并进行切割。 若有噪音，进行降噪处理。 降噪处理完成后，开启离线 ASR。 2. GPTSowitsTTS： 训练集格式化：开启一键三连，耐心等待。 微调训练：开启 SoVITS 训练和 GPT 训练。 推理：开始推理，刷新模型，选择微调后的模型（如 yoyo）。 3. 声音复刻：开启声音复刻之旅，可实现跨多语种语言的声音。 4. 实践的样本： AIyoyo 普通话 满江红 AIyoyo 粤语版 满江红 GPTSoVITS 是一个声音克隆和文本到语音转换的开源 Python RAG 框架，具有以下特点： 1. 零样本 TTS：输入 5 秒的声音样本即可体验即时的文本到语音转换。 2. 少量样本训练：只需 1 分钟的训练数据即可微调模型，提高声音相似度和真实感。 3. 跨语言支持：支持与训练数据集不同语言的推理，目前支持英语、日语和中文。 4. 易于使用的界面：集成了声音伴奏分离、自动训练集分割、中文语音识别和文本标签等工具，帮助初学者更容易地创建训练数据集和 GPT/SoVITS 模型。 5. 适用于不同操作系统：项目可以在不同的操作系统上安装和运行，包括 Windows。 6. 预训练模型：项目提供了一些已经训练好的模型，你可以直接下载使用。 GitHub： 视频教程： 此外，还有以下开源 TTS 数据可供参考： |汇总|大量语音数据的汇总| |||| |TTS|WenetSpeech4TTS|12,800 小时的配对音频 文本数据| |TTS| |TTS| |TTS|赛博朋克 2077|请注意版权问题！| |TTS中文| |TTS中文| |TTS中文| |TTS中文| |TTS中文|zhvoice|3200 说话人 900 小时，用于声音复刻，合成，识别等| |TTS英文|LibriTTS|基于 Librispeech 筛选而来，更适合用于做 TTS，采样率 24k，大约 585 小时 2,456 人，其中的 trainclean100 包含 53.8 小时/247 个发言人| |TTS英文|LJ Speech|大约 24 小时|
2024-12-16
声音复刻
声音复刻相关内容如下： GPTSoVITS 实现 AIyoyo 声音克隆： 前置数据获取处理：选择音频，开启切割；有噪音时，进行降噪处理；降噪处理完成，开启离线 ASR。 GPTSowitsTTS：训练集格式化需开启一键三连，耐心等待；包括微调训练、推理，推理时开始推理刷新模型选择微调后的模型yoyo，成功后会出现新的 URL 表明声音微调完毕。 声音复刻：可以开启声音复刻之旅，能够实现跨多语种语言的声音。 实践的样本：AIyoyo 普通话满江红 。 GPTSoVITS 实现声音克隆： GPTSoVITS 是一个声音克隆和文本到语音转换的开源 Python RAG 框架。只需 1 分钟语音即可训练一个自己的 TTS 模型，5 秒数据就能模仿，1 分钟的声音数据就能训练出高质量的 TTS 模型，完美克隆声音。主要特点包括零样本 TTS、少量样本训练、跨语言支持、易于使用的界面、适用于不同操作系统、提供预训练模型。 GitHub： 。 TTS 数据整理： 开源 TTS 数据汇总： 大量语音数据的汇总： TTS WenetSpeech4TTS：12,800 小时的配对音频 文本数据： TTS 米哈游 星穹铁道：包含中文和日语英文韩语，请注意版权问题！ TTS 米哈游 原神：包含中文和日语英文韩语，请注意版权问题！ TTS 赛博朋克 2077：请注意版权问题！ TTS 中文 baker 标贝女声：12 小时 TTS 中文 Aishell3：85 小时多说话人数据 TTS 中文 DiDiSpeech：500 人 60 小时，但目前已经 404 无法再获取 TTS 中文 OpenSLR：提供各种语言的合成、识别等语料 TTS 中文 zhvoice：3200 说话人 900 小时，用于声音复刻，合成，识别等 TTS 英文 LibriTTS：基于 Librispeech 筛选而来，更适合用于做 TTS，采样率 24k，大约 585 小时 2,456 人，其中的 trainclean100 包含 53.8 小时/247 个发言人 TTS 英文 LJ Speech：大约 24 小时
2024-12-16
AI复刻怎么做
AI 复刻，以吴恩达开源的 AI 翻译项目 Coze 为例，主要步骤如下： 1. 初步的翻译大模型节点：选择一个大模型对源语言文本进行初始翻译，如选择 MiniMax 大模型，提示词可参考吴恩达教授的相关内容。 2. 选择器节点：判断用户填写的要求中是否有特殊的语言翻译特色或口音。 3. 反思优化的大模型节点：配置反思优化的提示词，告诉模型如何思考和优化翻译结果。提示词的设计至关重要，可参考项目给出的示例提示词，也可根据自身经验和需求改进。 4. 结合反思优化建议再翻译的大模型节点：结合反思优化的建议和初始翻译结果再次进行翻译，以获得更好的翻译结果。 此外，该项目还具有以下特点： 1. 反思优化：通过对自身的反思和优化来提升翻译质量。 2. 使用工具：借助外部工具和资源。 3. 计划：预先制定好 Agent 的实现计划。 4. 多 Agent 合作：通过多个 Agent 之间的合作实现目标。 同时，项目还引入了一些创新点，如分块处理（将长文本拆分成若干小块分别进行翻译和优化，提高处理效率和局部优化效果）和语言习惯指定。 首先，在 Coze 上新建一个工作流，逐步导入核心流程。工作流分为若干节点，每个节点完成特定任务，组合形成完整翻译流程。运行测试时可看到每个节点的执行过程和结果。开始节点需选择翻译的源语言和目标语言，还可设置其他参数，如翻译的语言特色等，建议根据实际情况调整。
2024-09-23
如果让 ai 复刻《千里江山图》的局部细节，该如何写提示词
要让AI复刻《千里江山图》的局部细节，需要提供清晰、具体的指令，以确保AI能够理解并执行任务。以下是一些可能的提示词和步骤： 1. 明确任务：首先，明确告诉AI你想要复刻的是《千里江山图》的哪个部分，例如：“请复刻《千里江山图》中的山水细节。” 2. 详细描述：提供该局部细节的具体描述，包括颜色、纹理、风格等特征，例如：“重点复刻山峦的层次、水波的流动感以及树木的形态。” 3. 风格指定：如果需要保持原作的风格，可以指定：“请保持宋代山水画的细腻笔触和深远意境。” 4. 技术要求：如果需要特定的技术或效果，例如：“使用高精度的图像处理技术，确保细节的清晰度和真实感。” 5. 尺寸和比例：指定复刻作品的尺寸和比例，例如：“复刻尺寸为原图的一半，保持原有比例。” 6. 材料和工具：如果AI复刻作品需要使用特定的材料或工具，可以指定：“使用数字绘图板和高级绘画软件。” 7. 质量标准：设定作品的质量标准，例如：“确保复刻作品的色彩和细节与原画高度一致。” 8. 反馈和修正：如果AI可以进行交互，可以要求：“在复刻过程中，根据我的反馈进行必要的修正。” 9. 版权和法律：提醒AI注意版权和法律问题，例如：“在复刻过程中，请确保遵守相关的版权法规。” 10. 最终目标：明确复刻作品的最终目标，例如：“复刻的目的是为了艺术教育和展览，需要具有高度的艺术价值。” 结合以上提示，一个完整的提示词示例可能是： “请复刻《千里江山图》中山水细节部分，重点体现山峦层次、水波流动和树木形态，保持宋代山水画的细腻笔触和深远意境。使用高精度图像处理技术，确保细节清晰度和真实感。复刻尺寸为原图的一半，保持原有比例。使用数字绘图板和高级绘画软件，确保色彩和细节与原画高度一致。在复刻过程中，根据我的反馈进行修正，并确保遵守版权法规。复刻作品用于艺术教育和展览，需要具有高度的艺术价值。” 请注意，AI的复刻能力取决于其训练数据和算法的复杂性，可能无法完全达到人类艺术家的水平。
2024-06-04
RVC声音模型训练
RVC 声音模型训练是将输入音频转换为训练的声音，即变声。它对训练素材量级要求较高，最少需要 20 分钟的素材才能达到理想效果，并且可以选择是否关联音高，以区分说话和唱歌两个不同场景。 在节目《马上封喉》中，负责马季老师语音生成部分的人员提到，AI 语音主要涉及 TTS（文本转语音）和 RVC 两项技术。此次的 AI 马季主要以 gptsovits 为主。 在 AI 春晚《西游不能停》的创作过程中，尝试了用 RVC 进行 vocal 变声的两种办法，但效果均不理想。第一种方法是训练声音模型后直接变声，存在变声后 AI 味儿太重、丢失原有强调的问题；第二种方法是训练声音模型，自己录 rap 后再变声，但需要在录音时尽量模仿还原出特点和感觉，这涉及到专业配音技巧，超出了能力范围。此外，八戒和沙僧声音的训练文件丢失，效果也不理想。
2025-02-13
我需要一个拥有自己声音模型的文字转语音的AI
以下为您推荐拥有自己声音模型的文字转语音的 AI 工具： 1. Eleven Labs：https://elevenlabs.io/ ，是一款功能强大且多功能的 AI 语音软件，能高保真地呈现人类语调和语调变化，并能根据上下文调整表达方式。 2. Speechify：https://speechify.com/ ，是一款人工智能驱动的文本转语音工具，可作为多种平台的应用使用，用于收听网页、文档、PDF 和有声读物等。 3. Azure AI Speech Studio：https://speech.microsoft.com/portal ，提供支持 100 多种语言和方言的语音转文本和文本转语音功能，还提供了自定义的语音模型。 4. Voicemaker：https://voicemaker.in/ ，可将文本转换为各种区域语言的语音，并允许创建自定义语音模型。 另外，在算法驱动的数字人中，TTS（文字转语音）是其中的一个核心环节，数字人依靠 LLM 生成的输出是文字，为了保持语音交互一致性，需要将文字转换为语音。在游戏《神谕》中，ChatGPT 返回的中文文字，为提升交互体验，也通过 TTS 服务选择合适的声音播放出来，这里使用的是内部自研的 TTS 以及代码平台。 内容由 AI 大模型生成，请仔细甄别。
2025-02-10
推荐免费的tts公有模型站点，需要支持中文，克隆自己的声音
以下为您推荐支持中文且能克隆自己声音的免费 TTS 公有模型站点： GPTSoVITS： 只需 1 分钟语音即可训练一个自己的 TTS 模型。 5 秒数据就能模仿您，1 分钟的声音数据就能训练出一个高质量的 TTS 模型，完美克隆您的声音，且适配中文，界面易用。 主要特点： 零样本 TTS：输入 5 秒的声音样本即可体验即时的文本到语音转换。 少量样本训练：只需 1 分钟的训练数据即可微调模型，提高声音相似度和真实感。模仿出来的声音会更加接近原声，听起来更自然。 跨语言支持：支持与训练数据集不同语言的推理，目前支持英语、日语和中文。 易于使用的界面：集成了声音伴奏分离、自动训练集分割、中文语音识别和文本标签等工具，帮助初学者更容易地创建训练数据集和 GPT/SoVITS 模型。 适用于不同操作系统：项目可以在不同的操作系统上安装和运行，包括 Windows。 预训练模型：项目提供了一些已经训练好的模型，您可以直接下载使用。 GitHub： 视频教程： 需要注意的是，Stuart 模型存在一些问题： 语音生成基本功能方面： 支持的语音时长不超过 30 秒，超过 30 秒的需要特别修复。 某些 audio seed 在念某些语句时会丢失一些语句。 Refine 过程中有些字会被丢失，比如“儿童节”在大概率会被 refine 成“童节”，丢失一个“儿”字。解决方法是跳过自动 refine，以手动修改文本的方式来控制停顿。 即使同一个 audio seed，如果使用不同的语句分段方式，或者不同的 text seed，生成的音色也不是很稳定，会给人感觉不是同一个人的声音。 代码 Bug： uv_break 等提示词可能会在 refine 之后缺少，甚至有时候在有中括号的情况下也会被念出来。 没提供微调 SFT 的接口。 本模型特别申明：不支持商用，仅用于学术研究。在生成的语音内，作者加了听不见的噪音水印，可以很容易的被检测出来是他的模型生成的语音。ChatTTS 还没放出训练代码无法自己克隆声音，作者还只放出了 4w 小时训练的版本，确保这个模型的声音能被 AI 检测出来。作者还留着一个 10w 小时训练数据的版本。
2025-02-07
我想实现定时通过用我的声音生成的智能体给微信好友 发送自定义语音消息，，如何实现， 并且帮我做出能实现这个功能的工具
目前暂时没有直接能实现您这个需求的现成工具。但要实现这个功能，可能需要以下步骤： 1. 声音采集与处理：首先需要采集您的声音，并进行处理和特征提取，以便后续生成语音。 2. 智能体开发：利用相关技术开发能够模拟您声音的智能体。 3. 微信接口对接：由于微信的接口限制和安全策略，直接对接微信发送消息可能存在困难，需要寻找合法合规的途径。 4. 定时任务设置：通过编程实现定时发送的功能。 这是一个较为复杂的综合性项目，可能需要涉及语音处理、人工智能、软件开发等多方面的知识和技术。
2025-01-26
声音克隆
GPTSoVITS 是一个用于声音克隆和文本到语音转换的开源 Python RAG 框架，具有以下特点和使用方法： 特点： 零样本 TTS：输入 5 秒的声音样本即可体验即时的文本到语音转换。 少量样本训练：只需 1 分钟的训练数据即可微调模型，提高声音相似度和真实感，模仿出来的声音更接近原声且自然。 跨语言支持：支持与训练数据集不同语言的推理，目前支持英语、日语和中文。 易于使用的界面：集成了声音伴奏分离、自动训练集分割、中文语音识别和文本标签等工具，帮助初学者更容易地创建训练数据集和 GPT/SoVITS 模型。 适用于不同操作系统：项目可以在不同的操作系统上安装和运行，包括 Windows。 预训练模型：项目提供了一些已经训练好的模型，可直接下载使用。 使用： 先剪出音频，使用 https://elevenlabs.io/speechsynthesis 或使用 GPTsovits 克隆声音，做出文案的音频。 使用 wav2lip 整合包，导入视频和音频，对口型得到视频。 基础 wav2lip+高清修复整合包下载地址：https://github.com/Rudrabha/Wav2Lip 产品：https://synclabs.so/ 注册 colab，启动准备：点击进入按照步骤注册即可，新建笔记本，运行脚本启动 GPTSo VITS。整个过程比较漫长，需要耐心等待，可以整个脚本一起运行，也可以一段一段运行。运行过程包括克隆项目代码库、进入项目目录、安装 Python 依赖包、安装系统依赖、下载 NLTK 资源、启动 Web UI。运行成功后出现 public URL，然后进行训练音频准备与上传。 开源项目：https://github.com/RVCBoss/GPTSoVITS
2025-01-23
免费克隆一个人的声音
以下是一些可以免费克隆一个人声音的工具和平台： PlayHT：https://play.ht/studio/ ，包含预设音色，可免费克隆一个音色，若想生成多个，删除上一个音色即可做新的。 Elevenlabs：https://elevenlabs.io/app ，包含预设音色，新用户 1 美元开通一个月会员，可使用克隆音色。 魔搭社区：https://www.modelscope.cn/home ，是一个模型开源社区及创新平台，由阿里巴巴通义实验室联合 CCF 开源发展委员会共同发起，包含各种声音模型，有开发经验的朋友可使用。 Dubbingx：https://dubbingx.com/ ，免费克隆音色，有桌面版，Mac、Window 均可用。 魔音工坊：https://www.moyin.com/
2025-01-21