以下是《用 GPT-SoVITS 把自己的声音变成配音》（实操手册）

第 0 步：启动 WebUI

1. 进入程序根目录，双击 `go-webui.bat`（黑色控制台窗口千万别关，最小化即可）。

2. 浏览器自动打开 `http://localhost:9874`（若没自动开，看控制台 Running on local URL: http://0.0.0.0:9874）。

3. 等模型加载完成（30s–2min）。界面顶部标签页结构（v2pro 版）：

0-音频处理           ← UVR5分离 / 切片 / ASR打标 / 校对
1-训练
  1A-数据处理格式化  ← 生成训练集（一键三连）
  1B-微调训练        ← 真正训练音色
1-GPT-SoVITS-TTS
  1C-推理            ← 合成语音

第 1 步：准备你的声音素材

目标：1 分钟左右、干净、无背景音的人声。

偷懒方案：直接用现有文件当素材——10-视频渲染\narration_male.wav（整段男声旁白）或 clip_m1~m8.wav 任选其一。但要"你自己的声音"，还是得现录一段。

第 2 步：音频预处理（0-音频处理 标签页）

2.1 降噪/人声分离（可选，素材干净可跳过）

4. 点 「开启人声分离WEBUI」，等几秒，新页面（端口 9873）自动打开。

5. 选模型 `model_bs_roformer_ep_317_sdr_12.9755`，上传你的音频，输出格式选 WAV，点「转换」。

点击打开“伴奏人声分离”

6. 完成后到 程序根目录\output\uvr5_opt\ 找 `xxx_vocals.wav`（人声），删掉 others（伴奏）。

7. 混响重的素材再迭代两次：换 onnx_dereverb_By_FoxJoy → 再换 VR-DeEchoAggressive，每次都拿上一步 _main_vocal 结果作输入。

8. 用完点 WebUI 里的关闭按钮释放显存。

2.2 音频切片

9. 回到主界面（9874）→ 0-音频处理。

10. 「输入目录」填素材所在文件夹（如 ...\output\uvr5_opt\ 或你自己放录音的文件夹）。

11. 点 「开启音频切割」，默认参数即可（8GB 卡若爆显存，把 min_length 调小）。

12. 产物在 output\slicer_opt\。检查是否有超过 8 秒的切片——有就手动再切短（显存小，长切片必爆）。

2.3 ASR 自动打标（生成文本）

13. 同上页面，语言选 中文（FunASR），输入目录填 output\slicer_opt\。

14. 点 「开启语音识别」，等进度条跑完（控制台有进度）。

15. 标注结果在 output\asr_opt\，格式为 .list（每行：音频路径|说话人|语言|文本）。

2.4 校对（推荐做，提升音质上限）

16. 点 「开启标注校对WebUI」，逐段听音频、修正识别错的字。

17. ⚠️ 每改完一页先点 Submit Text（保存修改），退出前点 Save File（保存文件）。

18. 校对完关掉校对页面。偷懒可跳过本步（ASR 准确率够用，只是个别错字会影响发音）。

完工后，关闭“音频标注”