Gpt Sovits Tts

GPT-SoVITS — TTS few-shot con clonación de voz

Qué es

Framework TTS de RVC-Boss (61K⭐) que entrena un buen modelo de voz con solo 1 minuto de audio de referencia. Combina GPT para prosodia + SoVITS para timbre. MIT.

• Few-shot cloning — 1 min de audio limpio basta (mejor con 5-10 min)
• Multi-idioma — zh, en, ja, ko, yue y español soportado
• WebUI integrada — entrenamiento (UVR5 → Whisper → dataset → fine-tune) y síntesis
• API FastAPI — api_v2.py para integración en servicios

Instalación

git clone https://github.com/RVC-Boss/GPT-SoVITS
cd GPT-SoVITS
# Windows: descargar el paquete preintegrado (integrated package) de releases
# O desde cero (Python 3.10-3.12):
conda create -n gptsovits python=3.10 && conda activate gptsovits
pip install -r extra-req.txt --no-deps
pip install -r requirements.txt

Uso

WebUI

python webui.py   # abre Gradio en :9874

Flujo: transcibir muestras con Whisper → listar dataset → SoVITS + GPT fine-tune → inferencia.

API (inferencia sin reentrenar)

python api_v2.py -a 0.0.0.0 -p 9880
curl "http://localhost:9880/tts?text=Hola+mundo&text_lang=es&ref_audio_path=ref.wav&prompt_lang=es"

POST /tts con JSON {text, text_lang, ref_audio_path, prompt_text, prompt_lang, speed_factor} → audio WAV streaming.

Casos de uso

• Voz personalizada para informes TTS (alternativa a Álvaro Neural)
• Doblaje y audiolibros con voz consistente
• Comparativa con otros TTS locales del ecosistema (F5-TTS, Fish Speech, OpenVoice, Index-TTS, Chatterbox, RVC)

Pitfalls

• Audio de referencia: debe ser limpio (sin música/ruido), 3-10 s en inferencia; usar UVR5 para limpiar antes de entrenar
• Modelos base GPT/SoVITS preentrenados se descargan aparte (HuggingFace lj1995/GPT-SoVITS) — la primera ejecución no funciona sin ellos
• GPU recomendada para entrenamiento (fine-tune ~10 min en GPU media); inferencia CPU posible pero lenta
• text_lang=es funciona pero la calidad es menor que zh/en/ja — considerar fine-tune con muestras en español
• Windows: usar el paquete integrado evita la mayoría de problemas de dependencias (numba, ctranslate2)

Verificación

curl http://localhost:9880/tts?text=prueba&text_lang=es&ref_audio_path=ref.wav&prompt_lang=es -o test.wav
# test.wav debe contener audio WAV reproducible

Referencias

• Repo: github.com/RVC-Boss/GPT-SoVITS
• Guía EN: rentry.co/GPT-SoVITS-guide
• Relacionados: f5-tts, fish-speech-tts, openvoice-voice-cloning, index-tts, chatterbox-tts, rvc-voice-conversion