breakstring/gpt-sovits

GPT-SoVITS-WebUI Docker镜像

镜像概述和主要用途

本Docker镜像封装了GPT-SoVITS-WebUI项目，这是一个功能强大的少样本语音转换和文本转语音（TTS）工具。通过WebUI界面，用户可轻松实现零样本TTS（仅需5秒语音样本）、少样本TTS（1分钟数据微调）及跨语言语音合成，支持中文、英文和日文。镜像集成了语音分离、数据集分割、语音识别等辅助工具，降低了语音模型训练和推理的技术门槛。

核心功能和特性

核心功能

• 零样本TTS：输入5秒语音样本即可实现文本转语音，快速生成目标语音
• 少样本TTS：仅需1分钟训练数据微调模型，显著提升语音相似度和自然度
• 跨语言支持：支持与训练数据不同的语言推理，当前覆盖中文、英文、日文
• WebUI集成工具：内置语音伴奏分离、训练集自动分割、中文语音识别（ASR）及文本标注工具，辅助用户创建训练数据集和模型

使用场景和适用范围

• 个性化语音合成：为应用、游戏、有声内容生成特定人物的语音
• 多语言内容创作：快速生成多语言语音旁白或对话
• 语音转换应用：实现不同说话人之间的语音转换
• 语音模型研究与开发：为开发者和研究者提供便捷的模型训练与推理环境

使用方法和配置说明

Docker部署准备

镜像标签选择

由于项目迭代较快，建议先访问https://hub.docker.com/r/breakstring/gpt-sovits%E6%9F%A5%E7%9C%8B%E6%9C%80%E6%96%B0%E9%95%9C%E5%83%8F%E6%A0%87%E7%AD%BE%EF%BC%8C%E9%80%89%E6%8B%A9%E9%80%82%E5%90%88%E7%9A%84%E7%89%88%E6%9C%AC%E3%80%82

Docker Compose部署

docker-compose.yaml配置示例

yaml
version: '3'
services:
  gpt-sovits:
    image: breakstring/gpt-sovits:latest  # 替换为实际标签
    restart: always
    environment:
      - is_half=False  # 控制半精度/双精度，SSL提取阶段异常时可调整
    volumes:
      - ./output:/workspace/output  # 输出目录
      - ./logs:/workspace/logs      # 日志目录
      - ./SoVITS_weights:/workspace/SoVITS_weights  # 模型权重目录
      - ./GPT_SoVITS/pretrained_models:/workspace/GPT_SoVITS/pretrained_models  # 预训练模型目录
    ports:
      - "9870:9870"
      - "9871:9871"
      - "9872:9872"
      - "9873:9873"
      - "9874:9874"
    shm_size: "16G"  # Windows Docker Desktop需调大共享内存，避免运行异常
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]  # GPU配置，根据实际环境调整

启动命令

bash
docker compose -f "docker-compose.yaml" up -d

Docker命令直接部署

根据实际需求调整参数后执行：

bash
docker run --rm -it \
  --gpus=all \
  --env=is_half=False \
  --volume=/path/to/output:/workspace/output \
  --volume=/path/to/logs:/workspace/logs \
  --volume=/path/to/SoVITS_weights:/workspace/SoVITS_weights \
  --volume=/path/to/pretrained_models:/workspace/GPT_SoVITS/pretrained_models \
  --workdir=/workspace \
  -p 9870:9870 -p 9871:9871 -p 9872:9872 -p 9873:9873 -p 9874:9874 \
  --shm_size="16G" \
  -d breakstring/gpt-sovits:latest  # 替换为实际标签

关键配置说明

环境变量

• is_half：控制模型精度模式（半精度/双精度），若SSL提取阶段（4-cnhubert/5-wav32k目录无内容生成）异常，可尝试切换True或False

卷挂载

• /workspace/output：输出文件目录（生成的语音等）
• /workspace/logs：日志文件目录
• /workspace/SoVITS_weights：SoVITS模型权重目录
• /workspace/GPT_SoVITS/pretrained_models：预训练模型存放目录（需从https://huggingface.co/lj1995/GPT-SoVITS%E4%B8%8B%E8%BD%BD%EF%BC%89

端口映射

默认开放端口9870-9874，用于WebUI访问及服务通信

资源配置

• --shm_size：建议设置为16G及以上，特别是Windows环境下避免共享内存不足
• GPU配置：通过--gpus=all启用所有GPU，或根据需求指定GPU设备

访问WebUI

容器启动后，通过浏览器访问http://localhost:9870即可打开GPT-SoVITS-WebUI界面。

注意事项

• 首次使用需确保预训练模型已正确挂载到GPT_SoVITS/pretrained_models目录
• 对于语音分离等功能，需额外下载UVR5模型并挂载到tools/uvr5/uvr5_weights目录
• Mac用户（Apple silicon或AMD GPU）需确保系统版本≥macOS 12.3，并安装Xcode命令行工具
• 模型训练和推理对GPU显存要求较高，建议使用≥8GB显存的GPU设备