RVC-Boss/GPT-SoVITS

Что это за инструмент

GPT-SoVITS — это WebUI-инструмент для клонирования голоса и синтеза речи (TTS) с поддержкой few-shot обучения, позволяющим создавать качественные модели по коротким аудиозаписям.

Зачем нужен

Инструмент решает задачу преобразования текста в речь с использованием голоса конкретного спикера, обученного на малом объеме данных (от 5 секунд до 1 минуты). Он полезен для быстрого создания кастомных голосовых моделей без необходимости сбора больших датасетов, а также для конвертации голоса (voice conversion).

Что можно реализовать

• Клонирование голоса по короткому 5-секундному эталону (zero-shot) для мгновенного синтеза речи
• Детальная настройка модели на 1 минуте аудио для повышения реалистичности и сходства голоса (few-shot)
• Генерация речи на языках, отличных от языка обучающей выборки (кросс-лингвальная поддержка)
• Автоматическая подготовка датасетов: разделение вокала и аккомпанемента, сегментация аудио, азиатский ASR и разметка текста
• Локальный запуск на Windows, Linux, macOS (включая Apple Silicon) и в облаке (Colab, Docker)

Ключевые возможности

• Поддержка кросс-лингвального синтеза (английский, японский, корейский, кантонский, китайский)
• Высокая скорость инференса (RTF 0.028 на RTX 4060 Ti, 0.014 на RTX 4090)
• Встроенные инструменты для предобработки данных (UVR5, ASR, сегментация)
• Гибкая установка: готовые пакеты для Windows, скрипты для Linux/macOS, Docker и Colab
• Лицензия MIT и открытый код

👤 Кому подойдёт: разработчики, энтузиасты AI, создатели контента, исследователи в области синтеза речи