GPT-SoVITS 声音克隆 TTS 六版本选型指南：v1 到 v2ProPlus，三分钟挑对版本
【免费下载链接】GPT-SoVITS1 min voice data can also be used to train a good TTS model! (few shot voice cloning)项目地址: https://gitcode.com/GitHub_Trending/gp/GPT-SoVITS
GPT-SoVITS 是一款开源的声音克隆 TTS 工具，1 分钟人声就能微调出高相似度的专属语音模型，目前分 v1、v2、v3、v4、v2Pro、v2ProPlus 六条线。直接给结论：大多数场景选 v2ProPlus；显存低、训练录音音质一般的，选 v2 最稳。
选型速查：按你的画像对号入座
| 你是谁 | 推荐版本 | 一句话理由 |
|---|---|---|
| 纯新手、低配显卡，先跑通流程 | v2 | 教程最多、显存最省、生态最成熟 |
| 高显存（≥12GB），要音质和相似度上限 | v4 | 原生 48kHz、无金属音，作者认证的 v3 替代品 |
| 手机录音、训练集有底噪 | v2 / v2Pro | 这个谱系对平均音质偏低的语料容忍度明显更高 |
| 直播、实时对话，要快 | v2ProPlus | 推理速度极低，还带流式推理 |
| 已有 v3 训练产物 | v4 | 无损替换，v3 不用继续投入 |
六版本核心差异一张表
| 维度 | v1 | v2 | v3 | v4 | v2Pro / Plus |
|---|---|---|---|---|---|
| 支持语种 | 中/英/日 | 加韩/粤 | 同 v2 | 同 v2 | 同 v2 |
| 预训练规模 | 2k 小时 | 5k 小时 | v3 级底模 | 与 v3 共用 GPT 底模 | 与 v3 共用 GPT 底模 |
| 原生输出采样率 | 32kHz | 32kHz | 24kHz | 48kHz | 32kHz |
| 训练显存 | 低 | 低 | 高（LoRA 约 8GB 起） | 高 | 中等 |
| 音色更像 | 整个训练集 | 整个训练集 | 参考音频 | 参考音频 | 整个训练集 |
| 低质量训练集 | 尚可 | 较好 | 不推荐 | 不推荐 | 较好 |
| 教程/生态 | 多 | 最多 | 多 | 中 | 快速积累中 |
表格里装不下的四件事：
- v4 相对 v3 只换了 SoVITS 声码器一侧：从 config.py 能看到 v3 和 v4 的 GPT 底模都是同一个
s1v3.ckpt，区别在输出端。 - v2Pro 与 v2ProPlus 同族，Plus 推理更快，实测 RTF 4090 约 0.014，4 分钟音频几秒合成完。
- 各版本训练产物按目录隔离（
SoVITS_weights到SoVITS_weights_v2ProPlus六个），互不覆盖，可同环境共存。 - v3 已不再是新项目的合理选择，它只服务于"已经训了 v3 想继续"的人。
三组拆开看：轻量入门、高音质、性价比
轻量入门组：v1 和 v2
共同点：显存门槛低、32kHz 输出、音色贴合整个训练集，对平均音质一般的语料更友好。v1 是 2k 小时语料的开山版，只支持中/英/日，已停更，新项目直接忽略。v2 升级：加韩语/粤语、底模扩到 5k 小时、文本前端重做，多音字和中英混读更准，低音质参考音频的可用度也上来了。适合老显卡和新手工练手。
⚠️ 典型坑：v2 做中文时要把 G2PWModel 解压后放进
GPT_SoVITS/text目录，漏装这一步中文推理会直接失败。
高音质组：v3 和 v4
共同点：音色相似度上一个台阶（不训练直接推底模的提升最大），GPT 侧更稳、重复漏字更少、情绪表达更丰富，且新增 LoRA 微调，显存需求压到约 8GB。v4 的升级是定向修复：消掉 v3 非整数倍上采样带来的金属音，并原生输出 48kHz，声音不再闷糊。适合显存 12GB 以上、训练录音质量过关的用户。
⚠️ v3/v4 的音色更偏参考音频而非整个训练集，且对低质量语料效果反而更差；v3 原生 24kHz 听着发闷，v4 已根治。
性价比组：v2Pro 和 v2ProPlus
共同点：音质超过 v4，显存成本（比 v2 稍高）和推理速度回到 v2 水平，音色贴合整个训练集，并支持流式推理。两者共用 v3 的 GPT 底模，差别在 SoVITS 侧，Plus 的推理速度更快。适合直播、实时 TTS 这类既要快又要好的场景。坑：生态和第三方教程还不如 v2 丰富，照抄旧教程时参数对不上的概率高。
实操速记：换版本、找权重、认训练入口
git clone https://gitcode.com/GitHub_Trending/gp/GPT-SoVITS # 拉取代码 python webui.py v1 # 显式切 v1 界面；不加参数默认 v2 及以上 python GPT_SoVITS/inference_webui.py # 只开推理界面，版本在界面里切- 训练入口按谱系分：v1/v2 走 GPT_SoVITS/s2_train.py，v3/v4 走 GPT_SoVITS/s2_train_v3.py，v3 的 LoRA 训练在 GPT_SoVITS/s2_train_v3_lora.py。
- 训练产物目录映射（v1→
SoVITS_weights、v2→SoVITS_weights_v2，其余类推加_v3/_v4/_v2Pro/_v2ProPlus后缀），完整逻辑见 config.py。 - 各版本预训练底模的路径默认注册在 GPT_SoVITS/TTS_infer_pack/TTS.py，推理参数模板在 GPT_SoVITS/configs/tts_infer.yaml，版本发布说明看 docs/cn/README.md。
FAQ：新手必踩的四个坑
Q1：v2 训的模型能直接拿到 v4 或 v2Pro 上推理吗？不能。训练产物按版本分目录、模型不互通；只有pretrained_models里的预训练底模是共用的。换版本等于重新训练。
Q2：显存只有 8GB，v3/v4 完全跑不了吗？能走 v3 的 LoRA 微调路线，约 8GB 可完成；全量微调建议 12GB 起。再低就换 v2/v2Pro。
Q3：怎么确认我手里的预训练权重是哪个版本？看GPT_SoVITS/pretrained_models/下的子目录：s2G488k.pth是 v1，gsv-v2final-pretrained/是 v2，s2Gv3.pth是 v3，gsv-v4-pretrained/是 v4，v2Pro/是 Pro 系列。
Q4：为什么 v3 听着比 v4 闷？v3 原生只出 24kHz，高频直接丢了；v4 改整数倍上采样并原生 48kHz，顺带把金属音也清掉了。
一句话总结
低配先跑 v2，高配直接 v4，要速度又要音质就 v2ProPlus——记住这三句，版本选型不会翻车。
【免费下载链接】GPT-SoVITS1 min voice data can also be used to train a good TTS model! (few shot voice cloning)项目地址: https://gitcode.com/GitHub_Trending/gp/GPT-SoVITS
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
