免费TTS文字转语音合成软件GPT-SoVITS v2ProPlus整合包下载，AI声音克隆软件

今天和大家分享一个非常热门的TTS文字转语音软件GPT-SoVITS，这个软件不光可以实现语音合成，而且还可以声音克隆，仅使用1分钟音频数据样品即可克隆，功能非常强大

2025-06-22 更新v2ProPlus版

GPT-SoVITS软件介绍及版本特点：

特征：

1. 零样本 TTS：输入 5 秒的声音样本并体验即时文本到语音的转换。
2. 少量样本 TTS：仅使用 1 分钟的训练数据对模型进行微调，以提高语音相似度和真实感。
3. 跨语言支持：使用不同于训练数据集的语言进行推理，目前支持英语、日语、韩语、粤语和中文。
4. WebUI 工具：集成工具包括语音伴奏分离、自动训练集分割、中文 ASR 和文本标注，帮助初学者创建训练数据集和 GPT/SoVITS 模型。

GPT-SoVITS-V1实现了：

由参考音频的情感、音色、语速控制合成音频的情感、音色、语速

可以少量语音微调训练，也可不训练直接推理

可以跨语种生成，即参考音频（训练集）和推理文本的语种为不同语种

GPT-SoVITS-V2新增特点：

对低音质参考音频合成出来音质更好

底膜训练集增加到5k小时，zero shot性能更好音色更像，所需数据集更少

增加韩粤两种语言，中日英韩粤5个语种均可跨语种合成

更好的文本前端：持续迭代更新。V2中英文加入多音字优化。

V3版

新功能：

1. 音色相似度更高，需要更少的训练数据就能逼近目标说话人（直接使用基础模型，不进行微调，音色相似度就有显著提升）。
2. GPT模型更加稳定，重复和遗漏更少，更容易生成情感表达更丰富的语音。

V4版

新功能：

1. 版本 4 修复了版本 3 中因非整数倍上采样而产生的金属音损问题，并原生输出 48k 音频，避免了声音低沉（而版本 3 仅原生输出 24k 音频）。作者认为版本 4 可以直接替代版本 3，但仍需进一步测试

V2Pro

新功能：

1. VRAM 使用率比 v2 略高，性能超越 v4，但硬件成本和速度与 v2 相同。 

2. v1/v2 和 v2Pro 系列拥有相同的特性，而 v3/v4 也具有类似的特性。对于音质一般的训练集，v1/v2/v2Pro 可以提供不错的效果，但 v3/v4 则不然。此外，v3/v4 的合成音调和时值更偏向参考音频，而非整体训练集。

GPT-SoVITS整合包使用说明

首先上传3-10秒的参考音频。

然后在参考音频的文本里输入音频样本的文字内容，不输入音频文本的话，效果会差些，尽量输入。

然后输入需要合成的文本，点击合成语音按钮。

其它参数可自行测试效果

视频教程及效果演示：https://nuowa.net/2017

注意事项

使用前先更新英伟达显卡驱动到最新版本。

支持英伟达50系列显卡

建议英伟达显卡显存不低于4G

软件运行路径中不要有非英文字符和空格，待使用音频素材同样注意

TTS文字转语音合成及声音克隆软件GPT-SoVITS整合包下载链接：

https://pan.quark.cn/s/3d4628397997

GPT-SoVITS本地电脑安装部署教程

https://nuowa.net/2013