这是一篇工具型学习笔记，记录 GPT-SoVITS 的启动方式、音频处理思路和模型选择经验。
本文整理自早期学习笔记，发布时间按学习阶段归档。
正文
教程地址
https://www.bilibili.com/video/BV14xS8BDE1w?t=389.6&p=2
启动 WebUI 界面
- 方式一（推荐）：直接双击
go-webui.bat文件
有音乐就人声分离
情况 1：音频里有和声 / 伴唱 + BGM
✅ 推荐模型：HP5_only_main_vocal
- 作用：精准剥离和声、伴唱以及 BGM，只保留最清晰的主人声
- 特点：对主人声有轻微削弱，但能最大程度消除背景干扰，适合需要干净主 vocal 的场景
- 适用场景：翻唱、合唱、多人配音等带和声的音频
情况 2：音频里只有纯 BGM，没有和声 / 伴唱
✅ 推荐模型：HP2_all_vocals（优先）或 HP3 模型
- 作用：保留完整人声的同时，尽可能分离 BGM
- 特点：对主人声的自然度保留比 HP5 更好，漏伴奏的情况更少
- 适用场景：单人配音、独白、清唱等无和声的音频
–
图片占位：Pasted image 20260310161907.png
音频逐字-切割
先一健三连
图片占位：Pasted image 20260310165157.png
然后微调训练
图片占位：Pasted image 20260310165104.png
开始推理
图片占位：Pasted image 20260310165705.png
图片占位：Pasted image 20260310170555.png
